Feb, 2023

逐层组合级别生成器以创建复杂结构

PDF
TL;DR本文主要介绍了一种基于组合生成的方法，在复杂和现代游戏中实现可优化性，解决算法设计复杂度高的问题，并在游戏设计中优化功能要求，旨在推动程序内容生成技术在视频游戏产业中的应用。
procedural content generationcompositional level generationoptimisable objective functioncomplex structurevideo game industry
发现论文，激发创造
  • 用于游戏程序内容生成优化问题的景观分析工具

    本文介绍了 Procedural Content Generation (PCG) 及其方法，其中 search-based PCG 将给定的任务作为优化问题，通过进化算法解决。我们提出和讨论了三种高效的分析工具：对角线行走、高层次属性的估计以及问题相似度测量。这些分析方法有助于 PCG 方法的比较和生成内容的质量提升。

    Feb, 2023

  • 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

  • 基于树结构的重构分区：一种新颖的低数据量生成方法

    我们介绍了一种名为 Tree-based Reconstructive Partitioning (TRP) 的新型 PCGML 方法，它能够解决在游戏开发的早期阶段应用 PCG 和 PCGML 方法的问题。我们的实验证明，TRP 产生的关卡更具可玩性和一致性，而且在使用较少训练数据时更具普适性。我们认为 TRP 是一种有前景的新方法，它可以在游戏开发的早期阶段引入 PCGML 而不需要人工专业知识或大量训练数据。

    Sep, 2023

  • 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

  • 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

  • 智能生成图形游戏资产：概念框架与现状的系统综述

    通过系统文献综述，本文研究了图形素材生成领域中的最新方法，旨在填补现有研究的不足，并提出了一个概念框架来解决这些问题。

    Nov, 2023

  • SceneX: 基于大型语言模型的程序控制大规模场景生成

    通过引入大规模场景生成框架 SceneX，本文提出了一种利用大型语言模型驱动程序化建模的方法，以用户的文本描述为指导，自动生成高质量的程序化模型，从而实现可控的大规模场景生成和编辑。

    Mar, 2024

  • 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

  • 系统化综合的组合式程序生成

    给定一篇研究论文，通过训练神经符号结构的组合程序生成器（CPG），实现少样本学习和按长度生产序列到序列语言任务的通用性。

    Sep, 2023

  • 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