CPPN2GAN：结合组合模式生成网络与 GAN 用于大规模模式生成
神经与进化计算
2020-04-07 v1 人工智能
摘要
生成对抗网络（GAN）被证明是用于进化搜索的强大间接基因型到表型映射，但它们存在局限性。特别是，GAN 输出不能缩放到任意维度，并且没有明显的方法将多个 GAN 输出组合成一个有凝聚力的整体，而这在许多领域（如视频游戏关卡生成）中会很有用。游戏关卡通常由几个片段组成，有时直接重复或带有变化，组织成引人入胜的模式。这种模式可以通过组合模式生成网络（CPPN）来产生。具体而言，CPPN 可以将潜在向量 GAN 输入定义为几何的函数，这提供了一种将 GAN 输出的关卡片段组织成完整关卡的方法。这种新的 CPPN2GAN 方法在 Super Mario Bros. 和 The Legend of Zelda 中都得到了验证。具体而言，通过 MAP-Elites 进行的发散搜索表明，CPPN2GAN 能够更好地覆盖可能的关卡空间。生成关卡的布局也更具凝聚力和美学一致性。
引用
@article{arxiv.2004.01703,
title = {CPPN2GAN: Combining Compositional Pattern Producing Networks and GANs for Large-scale Pattern Generation},
author = {Jacob Schrum and Vanessa Volz and Sebastian Risi},
journal= {arXiv preprint arXiv:2004.01703},
year = {2020}
}
备注
GECCO 2020. arXiv admin note: text overlap with arXiv:2004.00151