基于草图与示例驱动BSP及变分自编码器的多领域关卡生成与混合
机器学习
2020-06-18 v1 人工智能
摘要
基于机器学习的程序化内容生成（PCGML）已证明其作为内容与游戏创建方法的有用性，并已被证明能够支持人类创造力。创造力的一个重要方面是组合创造力，即跨领域和领域之间思想的重组、适应和重用。在本文中，我们提出了一种能够进行关卡生成的PCGML方法，该方法能够重组、适应和重用来自多个领域的结构模式以近似未见过的领域。我们扩展了先前涉及示例驱动二叉空间分割（BSP）以在多个领域中重组和重用模式的工作，并引入变分自编码器（VAEs）以生成未见过的结构。我们通过跨7个领域及这些领域的子集进行混合来评估我们的方法。我们表明，我们的方法能够在保留结构组件的同时将领域混合在一起。此外，通过使用不同的训练领域组，我们的方法能够生成1）再现并捕获目标领域特征的关卡，以及2）具有与输入领域截然不同属性的关卡。
引用
@article{arxiv.2006.09807,
title = {Multi-Domain Level Generation and Blending with Sketches via Example-Driven BSP and Variational Autoencoders},
author = {Sam Snodgrass and Anurag Sarkar},
journal= {arXiv preprint arXiv:2006.09807},
year = {2020}
}
备注
To appear in FDG 2020 Cite as: @inproceedings{snodgrass2020blending, title={Multi-Domain Level Generation and Blending with Sketches via Example-Driven BSP and Variational Autoencoders}, author={Snodgrass, Sam and Sarkar, Anurag}, booktitle={Proceedings of the 15th International Conference on the Foundations of Digital Games}, year={2020} }