[논문 리뷰] Procedural Content Generation via Generative Artificial Intelligence

Xinyu Mao, Wanli Yu외 2명|arXiv (Cornell University)|2024. 07. 12.

Artificial Intelligence in Law인용 수 5

한 줄 요약

본 고서는 생성형 AI, 특히 GANs 및 관련 모델이 비디오게임의 절차적 콘텐츠 생성에 어떻게 적용되는지 검토하며, 환경, 자산, 내러티브 및 오디오를 다루고 데이터 제한에 대해 논의한다.

ABSTRACT

The attempt to utilize machine learning in PCG has been made in the past. In this survey paper, we investigate how generative artificial intelligence (AI), which saw a significant increase in interest in the mid-2010s, is being used for PCG. We review applications of generative AI for the creation of various types of content, including terrains, items, and even storylines. While generative AI is effective for PCG, one significant issues it faces is that building high-performance generative AI requires vast amounts of training data. Because content generally highly customized, domain-specific training data is scarce, and straightforward approaches to generative AI models may not work well. For PCG research to advance further, issues related to limited training data must be overcome. Thus, we also give special consideration to research that addresses the challenges posed by limited training data.

연구 동기 및 목표

• PCG에서의 인공지능의 역사적 및 현황 사용을 규칙 기반(rule-based) 및 고전 ML에서 생성형 AI 방법으로까지 요약한다.
• 환경, 자산, 내러티브, 오디오와 같은 게임 콘텐츠 유형 전반에 걸쳐 생성형 AI가 어떻게 적용되는지 강조한다.
• 도메인 특정 PCG에서 데이터 부족 문제와 학습 데이터 한계를 완화하기 위한 접근법을 논의한다.
• 게임 개발 워크플로우에 생성형 AI를 통합하기 위한 인사이트와 향후 방향을 제시한다.

제안 방법

• 게임의 콘텐츠 유형을 분류하고 생성 목표를 플레이빌리티(playability), 응집성(coherence), 미학(aesthetics)과 연계한다.
• 판별적(discriminative) 대 생성적(generative) 프레임워크 및 GANs를 포함한 생성형 AI 개념과 모델을 설명한다.
• 2D 레벨, 3D 지형, 스프라이트, 캐릭터, 내러티브, 오디오에 걸친 GAN 기반 PCG 작업을 검토한다.
• 제한된 데이터로 학습하거나 다단계 및 조건부 GAN 아키텍처를 사용하는 예제 연구를 요약한다.
• 생성형 AI를 활용한 PCG에서의 데이터 중심 및 모델 중심의 도전과제와 잠재적 연구 방향을 논의한다.

실험 결과

연구 질문

• RQ1 비디오게임의 절차적 콘텐츠 생성을 위해 사용되는 주요 생성형 AI 접근 방식은 무엇인가?
• RQ2 GANs 및 관련 생성 모델이 다양한 PCG 콘텐츠 유형(환경, 자산, 내러티브, 오디오)에 어떻게 적용되는가?
• RQ3 생성형 PCG 시스템을 학습시키는 데 있어 데이터 부족과 같은 실용적 도전과제는 무엇이며, 이를 어떻게 해결하고 있는가?
• RQ4 생성형 AI를 PCG 워크플로우에 통합하는 데 어떤 향후 방향이 발전시킬 수 있는가?

주요 결과

• GANs 및 조건부 GANs는 이미지 기반 또는 특징 기반 표현으로 플레이 가능한 게임 레벨을 생성할 수 있다.
• 다양한 연구에서 잠재 공간 탐색이나 다단계 GAN 파이프라인이 레벨 속성 및 해결 가능성(해결가능성)을 제어할 수 있음을 보여준다.
• GAN 기반의 지형 및 자산 생성은 현실적인 결과를 달성하기 위해 실제 데이터나 최소 예제를 활용할 수 있다.
• 생성형 AI는 AI 구동 에이전트와 메모리/계획 메커니즘을 통해 다양한 동적 내러티브 및 캐릭터 콘텐츠를 가능하게 한다.
• 데이터 세트 및 데이터 효율성은 여전히 중심 과제로, 제한된 데이터로 작동하도록 조건화, 전이 학습, 아키텍처 혁신 등의 방법을 촉진한다.