AAAIAug, 2020

TOAD-GAN：从单个样本生成连贯的风格级别

PDF
TL;DR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。
procedural content generationgenerative adversarial networktoken-basedvideo gamessuper mario bros
发现论文，激发创造
  • 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

  • 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

  • MarioGPT：基于大型语言模型的开放式文本生成技术

    本文介绍一个 fine-tuned GPT2 模型 MarioGPT，它能够生成多样的游戏地图，实现可控制的 PCG。结合 Novelty search，该模型能够生成具有不同游戏动态特点的多样化地图，开创了文本 - 游戏地图的先河。

    Feb, 2023

  • 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

  • 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

  • 通过对抗训练实现基于物体的文本到图像合成

    本文提出了一种基于对物体的关注的生成对抗网络，可用于复杂场景的文本到图像合成，该网络生成器长注重于文本描述中最相关的单词和预生成的语义布局，以合成显著物体，同时提出了一种快速区域卷积神经网络（Fast R-CNN）的新技术，以提供丰富的针对对象的区分信号，判断生成的物体与文本描述和预生成布局是否匹配。该提出的 Obj-GAN 在大规模 COCO 基准测试中表现出色，提高了 27％的 Inception 分数并降低了 11％的 FID 分数。通过分析它们的机制和可视化他们的注意层，提供了传统网格注意和新型对象驱动注意之间的全面比较，展示了本模型如何高质量地生成复杂场景的见解。

    Feb, 2019

  • 使用神经分解 Oracle 实现可控文本生成

    本研究提出基于 NeurAlly-Decomposed Oracle (NADO) 的通用高效生成模型控制框架，其中 NADO 将控制模型分解为词级指导以引导底层模型在文本生成过程中生成符合预期的结果，通过实验证明，本框架在维护高生成质量的同时能高效地指导模型生成出符合特定条件要求的结果。

    May, 2022

  • 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

  • GR-GAN: 逐步细化的文本到图像生成

    本文提出了一种渐进式精炼生成对抗网络 (GR-GAN) 用于高效解决生成图像与文本约束的一致性问题；包括 GRG 模块，ITM 模块以及新指标 CMD 的引入，并在实验中表现出了显著的优势。

    May, 2022

  • O-GAN: 极简的自编码生成对抗网络方法

    本文提出了正交生成对抗网络 (O-GANs)，通过将鉴别器网络正交分解并在普通 GANs 的目标函数中加入附加损失，实现了鉴别器作为有效编码器的功能，并能嵌入于任何类型的 GANs 中，这是训练具备自编码能力的生成对抗网络最简单的方法。

    Mar, 2019