本文旨在探讨使用机器学习的方法生成游戏内容，涉及的技术包括神经网络、马尔可夫模型等，讨论了该方法在游戏设计中的应用及存在的问题。
Feb, 2017
通过利用人类注释的游戏玩法视频，实现一种多重尾部框架，该框架学习执行同时水平转换和生成的任务，具有在 Level 传输中提高总体性能的潜力，并展示未来版本泛化到未见过游戏的可能性。
Jun, 2023
研究如何使用强化学习训练级别设计代理，将关卡设计视为游戏并将内容生成器本身学习，并探讨了三种不同的转换二维层次设计问题的马尔可夫决策过程，将其应用于三个游戏环境中。
Jan, 2020
该论文提出了一种名为 GPN 的算法，通过代理玩游戏，学习可玩关卡的分布，从而实现自动生成游戏关卡，避免了人类设计的限制，并用 2D 地牢游戏训练和展示了该框架的能力。
Feb, 2020
本文提出一种新的游戏水平融合方法，利用聚类的瓷砖嵌入技术作为无注释游戏的水平表示，将其应用于经典的任天堂游戏 Lode Runner 和 The Legend of Zelda，比较其在混合任务中的表现。
本研究探讨了通过机器学习进行程序化内容生成技术在游戏领域的应用，着重介绍了如何基于多个游戏领域构建新的自动生成游戏关卡的方法，使用了多个游戏平台的数据，并训练了变分自编码器以跨越各个领域的潜在关卡空间来生成新的内容。
Aug, 2020
近期，大型语言模型的出现为过程性内容生成带来了新的机遇。这篇论文探讨了通过大型语言模型生成游戏的可能性，提出了一种基于视频游戏描述语言的大型语言模型框架，可以同时生成游戏规则和关卡。实验结果展示了这个框架如何根据不同的上下文进行生成，为过程性内容生成领域中的新游戏生成提供了新的见解。
Apr, 2024
本文提出了一种无监督融合不同游戏概念生成新的计算机游戏关卡的方法，主要贡献在于引入类比推理过程，以构建从游戏视频中学习的不同层级设计模型之间的融合模型，并通过证明在超级马里奥兄弟游戏中表现出的风格化水平设计知识的方式，演示了我们的系统说明了由人类专家设计者融合的游戏关卡。
Mar, 2016
使用强化学习实现程序化内容生成（PCGRL），通过可计算、用户定义的质量度量训练智能体优化 3D 环境下针对 Minecraft 游戏的任务，生成多样化的游戏关卡，展示了 PCGRL 在 3D 环境下的应用和潜力。
Jun, 2022
本文介绍了一个名为 Morai Maker 的基于超级马里奥兄弟风格游戏的 AI 智能设计工具，并通过两个混合方法研究总共超过 100 名参与者来讨论 AI 在创造过程中的作用及与人的合作方式。研究发现，设计师对与 AI 的交互和作用的期望存在差异，AI 使得设计师改变设计方式，设计师认为 AI 在其设计实践中具有潜在价值。
Jan, 2019