利用自动化验证提升匹配-3游戏中条件化水平生成

条件化水平生成的生成模型在游戏制作中显示出巨大的潜力。然而，这些模型通常对生成控制有限，且生成水平的有效性不可靠。尽管如此，仅有少数从现有数据中学习的 method 提供了用户控制生成的方式，同时解决了不可解水平的生成问题。本文提出了Avalon—a一种改进从现有水平设计中学习的模型方法，利用来自游戏玩法的难度统计信息。具体而言，我们使用条件变分自编码器生成匹配-3水平的布局，条件化于预收集的统计数据，如难度和相关视觉特征（如大小和对称性）。我们的方法足够通用，以至于可以potentially使用多种方法生成这些统计信息。我们通过与缺乏难度条件化的ablation模型进行比较，定量评估了该方法。此外，我们定量和定性分析了数据集风格在生成水平中是否被保留。我们的做法比没有难度条件化的相同方法生成更多有效水平。