Moonshine：将游戏内容生成器蒸馏为可引导的生成模型
人工智能
2025-02-04 v3
摘要
基于机器学习的程序化内容生成（PCGML）增强了游戏内容创作，但在可控性和有限训练数据方面仍存在挑战。本研究通过将构造性 PCG 算法蒸馏为可控的 PCGML 模型来解决这些问题。我们首先使用构造性算法生成大量内容，并使用大语言模型（LLM）对其进行标注。利用这些合成标签，我们对两个 PCGML 模型进行内容特定生成的条件化训练：一个扩散模型和五美元模型。这一神经网络蒸馏过程确保生成内容与原始算法保持一致，同时通过纯文本引入可控性。我们将这种文本条件化的 PCGML 定义为文本到游戏地图（T2M）任务，为流行的文本到图像多模态任务提供了一种替代方案。我们将蒸馏后的模型与基线构造性算法进行了比较。对生成内容的多样性、准确性和质量的分析证明了将构造性方法蒸馏为可控的文本条件化 PCGML 模型的有效性。
引用
@article{arxiv.2408.09594,
title = {Moonshine: Distilling Game Content Generators into Steerable Generative Models},
author = {Yuhe Nie and Michael Middleton and Tim Merino and Nidhushan Kanagaraja and Ashutosh Kumar and Zhan Zhuang and Julian Togelius},
journal= {arXiv preprint arXiv:2408.09594},
year = {2025}
}