Jun, 2022

变异模型：通过模仿进化学习生成关卡

PDF
TL;DR本文介绍了一种基于机器学习的迭代式关卡生成器 - 变异模型。采用带训练模型的辅助演化过程，可以生成出符合规定约束和目标条件的关卡，而且生成速度比基于演化过程的关卡生成器快得多，实现了在游戏中进行实时生成。
procedural content generationmutation modelsmachine learningevolutionary processlevel generation
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

  • 将进化搜索与行为克隆相结合，用于程序生成内容

    本文提出了一种将进化搜索和强化学习相结合的框架，通过行为克隆将演化的关卡序列提炼为策略，以生成更快速的关卡，我们将其应用于迷宫游戏和超级马里奥兄弟中，结果表明该方法能够显著缩短关卡生成的时间。

    Jul, 2022

  • 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

  • 毁灭之路：使用小数据集学习迭代式关卡生成器

    本文介绍了一种新的程序化内容生成方法，通过从现有关卡数据集中学习迭代式关卡生成器来生成唯一可玩的瓷砖式关卡，并且提出了所谓的毁灭路径方法，将关卡生成视为修复过程，训练一个卷积网络将被广泛改变的关卡的特征作为输入和其修复操作作为输出，从而迭代地生成关卡。

    Feb, 2022

  • 透过 MAP-Elites 照亮地牢地图、锁门任务和敌人位置空间

    本文介绍了一种通过将 MAP-Elites population 纳入演化式地下城生成器的扩展版本来生成具有安全任务和敌人的离散化房间的地下城的方法，并通过计算和用户反馈实验来评估其 Procedural Dungeon Generation 的方法。结果表明该方法能准确地收敛，反馈也表明玩家们喜欢这些生成的关卡，并且不能判断算法是否为级别生成器。

    Feb, 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

  • 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

  • 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

  • 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

  • 从无到有生成关卡的学习

    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