Feb, 2020

可控游戏层次混合的变分自编码器方法

PDF
TL;DR本研究使用变分自编码器（VAEs）对游戏关卡进行创意设计，通过训练 VAE 于超级马里奥兄弟和战神等游戏的数据，捕捉潜在空间，然后将这些空间用于生成结合了两种游戏特征的新的关卡片段，并通过潜在空间中的进化搜索进行进一步的优化。与类似的生成模型 Gan 和 VAE-GAN 相比，VAE 的方法在协作关卡设计方面表现出特别的优势。
发现论文，激发创造
  • 使用高斯混合 VAEs 进行游戏关卡聚类与生成

    本文介绍了应用高斯混合变分自编码器 (Gaussian Mixture VAEs) 生成游戏关卡的方法，该方法可以无需人工干预地将关卡按照特征进行聚类，并生成具有期望特征的新关卡。实验结果表明，学习到的关卡组成元素可以有效地发现与聚类关卡结构和模式。

    Aug, 2020

  • 使用变分自编码器进行序列段基级别生成和融合

    本文介绍了一种使用 VAE 训练生成游戏关卡的方法，通过学习一种顺序模型生成末端关卡来生成长度任意的关卡。同时，该方法还可以将来自不同游戏的关卡隐式混合在一起，相比先前的潜变量方法，所生成的关卡更加连贯且有逻辑。

    Jul, 2020

  • 潜在组合游戏设计

    通过使用高斯混合变分自编码器 (GMVAEs) 对深度生成潜在变量模型进行建模，并使用线性组合技术生成可玩游戏。通过监督训练，每个组件能够从一个游戏中编码关卡，使我们能够定义新的、混合的游戏作为这些学习组件的线性组合。结果表明，这种方法可以以所需比例混合输入游戏并生成可玩游戏。

    Jun, 2022

  • 向高中学生介绍变分自编码器

    我们基于智能生成模型，通过设计基于网络的游戏和使用意象隐喻，向高中生介绍 Variational Autoencoders，帮助他们更好地理解 AI，创意艺术和哲学等学科，同时培养相关技能，这一方法在 22 名学生中得到实践证明。

    Nov, 2021

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 2019

  • 变分自编码器的三种变体

    通过引入第二个参数化的编解码对和一个额外的固定编码器，我们发展了三种 VAE 的变种，并使用神经网络学习编码器 / 解码器的参数来比较这些变种与原始 VAE 的 ELBO 逼近。其中一种变化导致了一个 EUBO，可以与原始 ELBO 一起用于研究 VAE 的收敛性。

    Dec, 2022

  • 控制性文本生成的变分自编码器综述

    介绍了神经网络生成模型、自然语言处理、VAE、可控制生成、深度神经网络等相关概念和应用。

    Nov, 2022

  • 动态变分自编码器：综述

    本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器 (DVAEs) 这一类模型，详细介绍了七种 DVAE 模型，并通过语音分析 - 重构任务的实验基准进行了验证，最后探讨了 DVAE 模型的重要问题和未来的研究方向。

    Aug, 2020

  • 变分自编码器中学习潜在子空间

    本文提出了一种基于变分自编码器的生成模型，使用互信息最小化学习与每个标签相关的低维潜空间，并展示了其在特征操作上的实用性。

    Dec, 2018