[論文レビュー] Multi-Domain Level Generation and Blending with Sketches via Example-Driven BSP and Variational Autoencoders

Sam Snodgrass, Anurag Sarkar|arXiv (Cornell University)|Jun 17, 2020

Artificial Intelligence in Games参考文献 29被引用数 7

ひとこと要約

本稿では、構造的レベル生成に変分自己オートエンコーダー（VAEs）とドメインブレンドドコンテンツ補填に例示駆動型バイナリースペースパartitioning（EDBSP）を組み合わせたハイブリッドPCGML手法を提示する。この手法により、7つのプラットフォーマー・ゲームドメイン間で構造的パターンを再結合し、ドメイン固有の詳細を保持したまま、新規のレベルを生成可能となる。本手法は、学習ドメインの選択に基づき、ターゲットドメインを再現するか、新しい構造的・スタイル的組み合わせを探索するレベルを効果的に生成する。

ABSTRACT

Procedural content generation via machine learning (PCGML) has demonstrated its usefulness as a content and game creation approach, and has been shown to be able to support human creativity. An important facet of creativity is combinational creativity or the recombination, adaptation, and reuse of ideas and concepts between and across domains. In this paper, we present a PCGML approach for level generation that is able to recombine, adapt, and reuse structural patterns from several domains to approximate unseen domains. We extend prior work involving example-driven Binary Space Partitioning for recombining and reusing patterns in multiple domains, and incorporate Variational Autoencoders (VAEs) for generating unseen structures. We evaluate our approach by blending across $7$ domains and subsets of those domains. We show that our approach is able to blend domains together while retaining structural components. Additionally, by using different groups of training domains our approach is able to generate both 1) levels that reproduce and capture features of a target domain, and 2) levels that have vastly different properties from the input domain.

研究の動機と目的

• 限られたトレーニングデータで複数のゲームドメインに一般化するプロシージャルコンテンツ生成（PCG）の課題に対処すること。
• 多様なドメインからの構造的パターンを再結合することで、組み合わせ的創造性を実現し、一貫性のある新規なレベルを生成すること。
• 構造的レイアウト生成とドメイン固有のコンテンツ補填を分離することで、より高い柔軟性と制御性を実現するハイブリッドモデルの開発。
• 3つのPCGML研究でこれまで未使用であったゲームを含む7つのプラットフォーマー・ゲームで本アプローチを評価すること。
• ドメイン選択が生成されたレベルにおけるターゲットドメインへの忠実度と新規性のバランスに与える影響を調査すること。

提案手法

• 複数ドメインにわたるレベル構造の連続的で潜在的な表現を学習するため、変分自己オートエンコーダー（VAEs）を用い、未観測の構造的レイアウトの生成を可能にする。
• 例示駆動型バイナリースペースパartitioning（EDBSP）を適用し、複数のソースドメインから抽出したドメイン固有の要素（例：敵、アイテム、プラットフォーム）を、生成された構造的レイアウトにブレンドして補填する。
• ドメイン間の構造的類似性を抽象化できるよう、粗い解像度でのバイナリースケッチとしてレベルを表現する。これにより、ドメイン間のブレンドが可能になる。
• 各ドメインの構造的表現に対してVAEを個別に訓練することで、生成過程でドメイン固有の特徴を保持する。
• ユーザーが入力スケッチを提供するスケッチベースのインターフェースを採用し、そのスケッチをEDBSPモジュールの入力として用いて完全なレベルを生成する。
• KLダイバージェンスや要素分布類似度といった指標を用いて、生成されたレベルとトレーニングデータを比較することで、モデルの評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 VAEベースのアプローチは、複数のゲームドメインにまたがって、多様かつ一貫性のあるレベルレイアウトを生成できるか？
• RQ2 EDBSPは、構造的整合性を保持しつつ、VAEで生成された構造的レイアウトにドメイン固有のコンテンツを効果的にブレンドできるか？
• RQ3 学習ドメインの選択が、ターゲットドメインへの再現性と生成レベルにおける新規性のバランスに、どの程度影響を及ぼすか？
• RQ4 ドメイン選択に基づき、ターゲットドメインに忠実でありながら、入力ドメインとは著しく異なるレベルを生成できるか？
• RQ5 本手法は、未観測のスケッチを処理し、妥当でプレイ可能なレベルを効果的に生成できるか？

主な発見

• 本アプローチは、入力スケッチからの構造的コンponentsを保持するとともに、複数のソースドメインからのドメイン固有の詳細をブレンドして生成したレベルを成功裏に生成した。
• ターゲットドメインと類似した学習ドメイン（例：KIのターゲットに対してMTとSM）を用いた場合、生成されたレベルの要素分布はターゲットと非常に近い結果を示し、効果的な再現性を示した。
• 多様なドメインをブレンドした場合（例：MMスケッチにMT、KI、SMを組み合わせた場合）、生成されたレベルの要素分布は入力スケッチのドメインとは著しく異なり、新規性と探索的潜在能力が顕著に現れた。
• VAEで生成されたスケッチは、トレーニングデータと比較して低KLダイバージェンス（最小0.038）を示し、構造的パターンの良好な再構成と一般化を示した。
• 本手法は未観測スケッチに対しても頑健であり、EDBSPが訓練ドメイン外のスケッチに対しても、生成されたレイアウトを効果的に補填できた。
• 統合モデルを用いた条件付きスケッチ生成は、個別ドメインの分布を正確に近似できなかったが、依然として今後の改善の余地を示しており、前向きな兆候を示した。