May, 2018

利用深度卷积生成对抗网络的潜在空间演化马里奥关卡

PDF
TL;DR本论文使用对抗生成网络 (GANs) 和协方差矩阵自适应进化策略 (CMA-ES) 生成了大量类似原始语料库中的 Super Mario Bros 的电子游戏层级，并使用各种适应性函数发现了专家所设计示例空间内存在的层级，并引导搜索满足一个或多个指定目标的层级。
generative adversarial networksprocedural content generationsuper mario broscovariance matrix adaptation evolution strategyfitness functions
发现论文，激发创造
  • 一种生成对抗网络潜空间下的马里奥场景渲染方法

    使用品质多样性算法对生成对抗网络中的潜空间进行有效探索，进而提取游戏级别，并展示如何在保持风格相似性的情况下提取具有不同级别机制的高质量级别。

    Jul, 2020

  • 利用生成对抗网络生成 DOOM 游戏地图

    使用生成对抗网络学习了 DOOM 地图的模型，并比较了用于生成新地图的两种不同类型的 GAN（一种是只使用地图的图像，另一种则是同时使用图像和部分拓扑特征），研究结果表明 GAN 可以很好地捕捉 DOOM 地图内在的结构，并且是一种有前途的第一人称射击游戏地图生成方法。

    Apr, 2018

  • 深度生成模型的潜在空间中的艺术协作互动演化

    生成对抗网络（GANs）在生成高质量的图像方面取得了巨大成功，并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks（CANs）架构的 GAN 进行训练，然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估，并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外，我们还尝试了一种智能变异算子，通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明，当演化过程由协同人类反馈引导时，所提出的方法能够生成高度吸引人的艺术图像。

    Mar, 2024

  • TOAD-GAN：从单个样本生成连贯的风格级别

    本文提出了一种新的流程式内容生成算法，即 TOAD-GAN（基于令牌的单次任意维度生成对抗网络），它可以生成基于令牌的视频游戏关卡，并在超级马里奥兄弟游戏中展示了应用，其结果在多个度量标准下达到了最先进的水平，并提供了一种扩展方法以控制生成过程，为了促进进一步的研究，我们公开了源代码。

    Aug, 2020

  • 使用条件生成对抗网络生成谜题游戏的程序化内容

    本研究探讨使用参数化生成对抗网络（GAN）作为 Lily's Garden 益智游戏的地图生成器，并提出从真实地图中提取控制 GAN 输出细节的两个条件向量，结果显示虽然 GAN 在近似第一个条件（地图形状）方面表现良好，但在近似第二个条件（元素分布）方面表现不佳，因此建议尝试使用替代 GAN 生成器和辨别器的架构来改善实验结果。

    Jun, 2023

  • 变异模型：通过模仿进化学习生成关卡

    本文介绍了一种基于机器学习的迭代式关卡生成器 - 变异模型。采用带训练模型的辅助演化过程，可以生成出符合规定约束和目标条件的关卡，而且生成速度比基于演化过程的关卡生成器快得多，实现了在游戏中进行实时生成。

    Jun, 2022

  • 3D GANs 和潜空间：综合调查

    本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

    Apr, 2023

  • 由生成式对抗网络 (GANs) 驱动的多目标演化优化

    提出了一种基于生成对抗网络驱动的多目标进化算法，通过对父代和子代解进行分类和采样，充分利用生成对抗网络进行有限训练数据的高维优化，取得了理想的效果

    Oct, 2019

  • 将复合式模式生成网络和 GAN 结合，用于大规模图案生成的 CPPN2GAN

    通过将 Compositional Pattern Producing Networks 与 GAN 结合，定义 latent vectors 为一种以组织 level segment 的方式生成完整游戏级别的方法，并通过 MAP-Elites 进行验证。

    Apr, 2020

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016