AAAIAug, 2020

使用高斯混合 VAEs 进行游戏关卡聚类与生成

PDF
TL;DR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。
variational autoencodersgaussian mixture vaesgame level generationunsupervised clusteringlevel pattern discovery
发现论文，激发创造
  • 可控游戏层次混合的变分自编码器方法

    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。

    Feb, 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

  • 高斯混合变分自编码器的深度无监督聚类

    我们研究了一个变分自编码器模型（VAE）的变体，其中高斯混合作为先验分布，通过深生成模型实现无监督聚类，通过最小信息约束启发式，缓解了过度正则化问题，并在合成数据、MNIST 和 SVHN 上证明了模型的性能。

    Nov, 2016

  • 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

  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

    Dec, 2019

  • 具有学习潜在结构的变分自编码器

    本文提出了一种新型的 Variational Autoencoder with Learned Latent Structure（VAELLS）模型，该模型融合了可学习的流形模型，使得先验分布与数据流形匹配，并允许定义潜在空间中的生成变换路径，同时尝试在已知潜在结构的情况下进行验证，并展示了该模型在现实世界数据集上的性能。

    Jun, 2020

  • 利用潜在高斯分布的双曲线 VAE

    通过使用高斯流形变分自编码器 (GM-VAE) 来提高图像数据集的密度估计和基于模型的强化学习下的环境建模。GM-VAE 在估计密度任务上优于其他变量的双曲线和欧几里得 VAEs，并在基于模型的强化学习中展现出竞争性的性能。

    Sep, 2022

  • 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

  • 树形变分自编码器

    提出了一种新的生成分层聚类模型 ——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE 在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

    Jun, 2023