[논문 리뷰] Game Level Clustering and Generation using Gaussian Mixture VAEs

Zhihan Yang, Anurag Sarkar외 1명|arXiv (Cornell University)|2020. 08. 22.

Artificial Intelligence in Games인용 수 4

한 줄 요약

이 논문은 슈퍼 마리오 브라더스, 키드 일카이러스, 메가맨의 게임 레벨 조각을 비지도로 군집화하고 생성하기 위해 가우시안 믹스처 변동 자동차오디터(GMVAEs)를 제안한다. 잠재 공간을 혼합 가우시안으로 모델링함으로써 GMVAEs는 레이블 없이도 고유한 디자인 패턴을 발견하고, 원하는 특성을 가진 새로운 레벨을 생성하며, 기준 VAE-GMM 방법에 비해 군집 분리도와 구조적 일관성에서 뛰어난 성능을 보인다.

ABSTRACT

Variational autoencoders (VAEs) have been shown to be able to generate game levels but require manual exploration of the learned latent space to generate outputs with desired attributes. While conditional VAEs address this by allowing generation to be conditioned on labels, such labels have to be provided during training and thus require prior knowledge which may not always be available. In this paper, we apply Gaussian Mixture VAEs (GMVAEs), a variant of the VAE which imposes a mixture of Gaussians (GM) on the latent space, unlike regular VAEs which impose a unimodal Gaussian. This allows GMVAEs to cluster levels in an unsupervised manner using the components of the GM and then generate new levels using the learned components. We demonstrate our approach with levels from Super Mario Bros., Kid Icarus and Mega Man. Our results show that the learned components discover and cluster level structures and patterns and can be used to generate levels with desired characteristics.

연구 동기 및 목표

• 조건부 VAE가 제어 가능한 생성을 위해 레이블이 필요한 한계를 해결하기 위해, 게임 레벨 특징의 비지도 군집화를 가능하게 한다.
• GMVAEs가 디자인 패턴에 대한 사전 지식 없이도 의미 있고 의미적으로 일관된 레벨 조각 군집을 발견할 수 있는지 탐색한다.
• 구조적 일관성, 분리도, 플레이어블리티 측면에서 생성된 레벨의 품질을 평가한다.
• GMVAE의 군집 효과성과 생성 정확도를 VAE-GMM 기준에 비해 비교한다.
• 게임 디자이너가 레벨 디자인의 숨겨진 구조를 탐색하는 데 GMVAEs가 탐색 도구로 활용될 잠재력을 조사한다.

제안 방법

• GMVAE 모델은 잠재 공간에 k개 성분의 가우시안 믹스처(GM) 사전을 사용하여, 각 성분이 레벨 조각의 별개의 군집을 학습하도록 한다.
• 에너드어는 각 16x16 게임 조각을 평균과 분산으로 파arameter화된 잠재 분포로 매핑하고, 이 분포에서 잠재 벡터를 샘플링한다.
• 디코더는 샘플된 잠재 벡터로부터 입력 조각을 재구성하며, 재구성 오차(이진 교차 엔트로피)와 GM 사전로부터의 KL 발산을 최소화한다.
• 재파arameterization 기법을 사용하여 역전파를 통해 엔드 투 엔드로 학습되며, 잠재 분포에서의 미분 가능한 샘플링이 가능하다.
• 군집 성능 평가를 위해 각 성분에서 생성된 샘플을 기반으로 다층 퍼셉트론(MLP)을 훈련하여 분리도를 평가한다.
• 플레이어블리티는 각 성분에서 생성된 조각을 통합한 데서 적응된 A* 탐색 알고리즘을 사용하여 측정하며, 각 게임 별로 점수를 기록한다.

실험 결과

연구 질문

• RQ1 GMVAEs는 특정 요소의 존재나 구조적 레이아웃과 같은 디자인 패턴에 기반해 레이블 없이 의미 있는 레이블 조각 군집을 비지도로 발견할 수 있는가?
• RQ2 성분의 분리도와 구조적 일관성 측면에서 GMVAEs의 군집 성능은 VAE-GMM 기준에 비해 어떻게 비교되는가?
• RQ3 학습된 GMVAE 성분은 일관되고 원하는 특성을 가진 새로운 레벨 조각을 생성할 수 있는가?
• RQ4 생성된 조각이 큰 레벨로 통합되었을 때 플레이어블리티를 어느 정도 유지하는가?
• RQ5 GMVAEs가 발견한 군집은 인간이 인식하는 레벨 유형이나 디자인 카테고리와 일치하는가?

주요 결과

• GMVAEs는 슈퍼 마리오 브라더스의 생성된 조각에서 최소 99.4%의 플레이어블리티를 달성했고, 키드 일카이러스에서는 79.2%를 기록하여 높은 구조적 품질을 보였다.
• GMVAEs의 경우 성분 중 최소 70%가 분리된 비율이 성분 수가 증가함에 따라 안정적이고 높게 유지되었지만, VAE-GMM 기준은 이 비율이 크게 감소했다.
• SMB와 MM 모두에서 2개 성분일 경우 GMVAE 성능이 열악했으며, 이는 각 성분에 여러 디자인 패턴을 과적합시켜 판별력이 떨어지기 때문일 것이다.
• GMVAE는 높고 안정적인 분리도 비율을 보이며 VAE-GMM 기준에 비해 군집 분리도에서 뛰어난 성능을 보였다.
• 각 GMVAE 성분은 특정 적의 배치나 플랫폼링 패턴과 같은 일관된 디자인 특징을 학습하여 타겟된 생성이 가능했다.
• GMVAE의 잠재 공간은 군집 간의 보간 가능성을 허용하지만, 이러한 보간은 탐색되지 않은 영역에 위치할 수 있으며 새로운 레벨 구조를 생성할 수 있다.