- 基于知识变换的程序化内容生成（PCG-KT）
通过知识转换实现程序化内容生成 (PCG-KT) 的概念和框架的引入，将以往训练数据缺失以及为全新游戏生成内容的限制转化为知识转换，通过转换不同领域的知识以生成新颖的内容。
- 那个可恶的沙尘暴 ': 通过考古叙事研究程序化生成
本文介绍了一种通过生成考古游戏探究基于 Procedural content generation 的游戏环境的叙事潜力，通过对 187 名参与者游玩 Nothing Beside Remains 游戏的质和量的调查，提供了一些初步的分析和 - ChatGPT4PCG 比赛：为科学鸟类生成类似角色的级别
本文介绍了第一届 ChatGPT4PCG 竞赛，在 2023 年 IEEE 游戏会议上举行。该竞赛的目标是参赛者通过创造有效的提示，让 ChatGPT 生成稳定而具有人物特质的《科学鸟》水平 —— 充分利用他们的创造力和提示工程技能。
- 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 - 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。
- 逐层组合级别生成器以创建复杂结构
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。
- 使用基于搜索的生成算法和蒙特卡洛树搜索生成即时战略游戏单位
本研究提出了一种基于搜索的自适应卡中心树方法的实时策略游戏单位生成算法，生成的单位能保证平衡性和独特性。
- 状态空间闭合：通过强化学习重新审视无尽在线关卡生成
通过提出状态空间封闭的概念，基于经验驱动的强化学习算法生成的内容可以在有限次数的状态下无限生成，且质量不受影响。然而，由于少量的状态空间导致其内容较缺乏多样性，需要进一步解决多样性问题。
- 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。
- 基于音乐的在线游戏关卡生成
本文基于经验驱动的强化学习和可控强化学习，构建了一个名为 OPARL 的通用框架，能够实现基于音乐的在线水平生成。通过一种新颖的基于局部搜索和 k 最近邻的控制策略，OPARL 能够考虑在线收集的游戏数据来控制关卡生成器，生成难度级别与音乐 - 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。
- 变异模型：通过模仿进化学习生成关卡
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。
- Minecraft 自动视域计算
本研究提出了一组基于建筑学理念的自动化指标（isovists 和空间语法）以从玩家角度计算特定游戏状态的度量标准，通过在 Minecraft 中生成的数据集中排名结果与人类评判相对性的分析，证明了这种指标可以作为测量特定时间和空间游戏体验的 - 关于连接级别段的研究
本文研究了关卡分段的生成方法，提出了一种使用马尔科夫链和树搜索算法的关卡分段链接方法，该方法可满足设计师的定制需求并保证游戏级别的可完成性和不中断的游戏结构。
- 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 - 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 Generatio - 面向程序生成视频游戏关卡的客观指标
本研究提出两种基于模拟的评估指标来测量生成游戏关卡的多样性和难度，并证明了该多样性指标比当前方法更稳健，并且能够直接影响可玩性因素，而难度指标则具有一定的相关性，为了推动可再生性，我们公开发布了我们的评估框架。
- 使用 DeLeNoX 转化探索性创意
DeLeNoX is a system that uses deep learning and novelty search to create diverse artifacts, specifically spaceships for - AAAI通过路径和可支配行为探索平台游戏中的层级混合
本研究探讨了通过机器学习进行程序化内容生成技术在游戏领域的应用，着重介绍了如何基于多个游戏领域构建新的自动生成游戏关卡的方法，使用了多个游戏平台的数据，并训练了变分自编码器以跨越各个领域的潜在关卡空间来生成新的内容。
- AAAITOAD-GAN：从单个样本生成连贯的风格级别
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