从无到有生成关卡的学习

Feb, 2020

Learning to Generate Levels From Nothing

Philip Bontrager, Julian Togelius

TL;DR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。

Abstract

machine learning for procedural content generation has recently become an active area of research. Levels vary in both form and function and are mostly unrelated to each other across games. This has made it diffi

machine learning procedural content generation generative playing networks level design self-supervised inductive learning

发现论文，激发创造

基于强化学习的程序化内容生成 (PCGRL)

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

通过程序化关卡生成，照亮深度强化学习的泛化问题

本文探讨了通过在训练中使用过程化生成的关卡如何增加模型的泛化性能，并研究了其与人类设计的关卡的关系。结果表明，通过降低难度、调整关卡设计，可以获得更好的性能表现，并进行了降维和聚类分析来评估关卡生成器的分布。

Jun, 2018

机器学习辅助下的协同创作级别设计

本文介绍了一个通过 PLGML 代理进行共创级别设计的框架，并通过用户研究和比较研究的结果来支持该框架。

Sep, 2018

机器学习的程序化内容生成（PCGML）

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

零样本推理：个性化内容生成无起步问题

通过使用大型语言模型，本研究提出了一种新颖的方法来通过连续收集个体玩家的游戏数据，实现个性化的程式化内容生成，与传统方法相比，我们的方法在减少玩家在游戏关卡中中途退出的概率方面表现出更好的性能。

Feb, 2024

可控 3D 楼层生成器的学习

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

通过程序生成增加机器学习的通用性

研究了游戏中的 Procedural Content Generation (PCG) 对于增加机器学习方法的通用性的重要性，特别是学习算法对于过度拟合的困扰和参数随机化的抗拟合方法，以增加算法对于不同环境的适应性和回报。

Nov, 2019

利用游戏视频进行联合级别生成和翻译

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

利用深度卷积生成对抗网络的潜在空间演化马里奥关卡

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。

May, 2018

学习混合计算机游戏关卡

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