通过对比学习和域对抗学习实现游戏不变特征
计算机视觉与模式识别
2025-05-26 v1
摘要
基础游戏图像编码器常常过度拟合到游戏特定的视觉风格，从而在应用于新游戏时削弱下游任务性能。我们提出一种方法，将对比学习和域对抗训练相结合，以学习游戏不变的视觉特征。通过同时鼓励相似内容聚类并通过对抗域分类器阻止游戏特定线索，我们的方法产生的嵌入能够在 diverse games 之间推广。在 Bingsu 游戏图像数据集（来自 10 个游戏的 10,000 张屏幕截图）上的实验表明，仅经过几轮训练，模型的特征便不再按游戏聚类，表明成功实现不变性，并为改进的跨游戏迁移（例如 Glitch 检测）提供了可能，无需大量微调。这为构建无需在新游戏上重新训练即可实现更广泛适用的游戏视觉模型之路。
引用
@article{arxiv.2505.17328,
title = {Game-invariant Features Through Contrastive and Domain-adversarial Learning},
author = {Dylan Kline},
journal= {arXiv preprint arXiv:2505.17328},
year = {2025}
}