用于视频游戏关卡生成的自举条件生成对抗网络
神经与进化计算
2019-10-04 v1 机器学习
摘要
生成对抗网络（GANs）在图像生成方面已展现出令人瞩目的成果。然而，GANs在生成具有特定类型约束的内容（如游戏关卡）时面临挑战。具体而言，同时生成兼具美学吸引力与可玩性的关卡十分困难。此外，由于训练数据通常有限，使用当前的GANs生成独特的关卡也具有挑战性。本文提出了一种名为条件嵌入自注意力生成对抗网络（CESAGAN）的新型GAN架构以及一种新的自举训练流程。CESAGAN是对自注意力GAN的改进，它引入了一个嵌入特征向量输入，用以约束判别器和生成器的训练。这使得网络能够对游戏对象之间的非局部依赖关系进行建模，并对对象进行计数。此外，为了减少训练GAN所需的关卡数量，我们提出了一种自举机制，将可玩的生成关卡添加到训练集中。结果表明，与标准GAN相比，这种新方法不仅能生成更多可玩的关卡，而且生成的重复关卡也更少。
引用
@article{arxiv.1910.01603,
title = {Bootstrapping Conditional GANs for Video Game Level Generation},
author = {Ruben Rodriguez Torrado and Ahmed Khalifa and Michael Cerny Green and Niels Justesen and Sebastian Risi and Julian Togelius},
journal= {arXiv preprint arXiv:1910.01603},
year = {2019}
}