[논문 리뷰] Multi-Domain Level Generation and Blending with Sketches via Example-Driven BSP and Variational Autoencoders

Sam Snodgrass, Anurag Sarkar|arXiv (Cornell University)|2020. 06. 17.

Artificial Intelligence in Games참고 문헌 29인용 수 7

한 줄 요약

이 논문은 다수의 플랫폼 게임 도메인에서 구조 수준의 생성을 위해 변동형 오토인코더(VAEs)를 사용하고, 도메인 혼합 콘텐츠 채우기를 위해 예제 기반 이진 공간 분할(EDBSP)을 활용하는 하이브리드 PCGML 접근법을 제안한다. 이는 일곱 개인 플랫폼 게임 도메인 간의 구조 패턴을 재조합하여 새로운 레벨을 생성함으로써 도메인 특화 세부 정보를 유지하는 데 성공한다. 이 방법은 훈련 도메인 선택에 따라 목표 도메인을 재현하거나 새로운 구조적 및 스타일적 조합을 탐색하는 레벨을 성공적으로 생성한다.

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.

연구 동기 및 목표

• 제한된 훈련 데이터로 다수의 게임 도메인에 걸쳐 정규화된 절차적 콘텐츠 생성을 해결하기 위해.
• 다양한 도메인에서 유래한 구조 패턴을 재조합하여 새로운 일관성 있는 레벨을 생성함으로써 조합적 창의성을 가능하게 하기 위해.
• 더 큰 유연성과 제어를 위해 구조 레이아웃 생성과 도메인 특화 콘텐츠 채우기를 분리한 하이브리드 모델을 개발하기 위해.
• 세븐 플랫폼 게임에서의 접근법 평가를 통해, 이전에 PCGML 연구에서 사용되지 않은 세 개의 도메인 포함.
• 도메인 선택이 생성된 레벨에서 목표 도메인에 대한 충실도와 신선도의 균형에 미치는 영향을 탐구하기 위해.

제안 방법

• 다양한 도메인의 레벨 구조에 대한 연속적인 잠재 표현을 학습하기 위해 변동형 오토인코더(VAEs)를 사용하여, 훈련 데이터에 없던 구조적 레이아웃을 생성할 수 있도록 한다.
• 예제 기반 이진 공간 분할(EDBSP)을 적용하여, 여러 소스 도메인에서 유래한 도메인 특화 요소(예: 적, 아이템, 플랫폼)를 VAE가 생성한 구조적 레이아웃에 혼합하여 채운다.
• 다양한 도메인 간의 구조적 유사성을 추상화하기 위해, 레벨을 굵은 해상도의 이진 스케치로 표현하여 도메인 간 혼합을 가능하게 한다.
• 각 도메인의 구조적 표현에 대해 독립적으로 VAE를 훈련시켜 생성 과정에서 도메인 특화 특성을 유지한다.
• 사용자가 입력 스케치를 제공하는 스케치 기반 인터페이스를 사용하며, 이 스케치는 EDBSP 모듈의 입력으로 사용되어 완전한 레벨을 생성한다.
• KL 발산 및 요소 분포 유사도와 같은 지표를 사용하여 생성된 레벨을 훈련 데이터와 비교함으로써 모델을 평가한다.

실험 결과

연구 질문

• RQ1 VAE 기반 접근법은 다수의 게임 도메인에서 구조적으로 다양하면서도 일관성 있는 레벨 레이아웃을 생성할 수 있는가?
• RQ2 EDBSP는 VAE가 생성한 구조적 레이아웃에 도메인 특화 콘텐츠를 얼마나 잘 혼합할 수 있으며, 구조적 통합성을 유지하는가?
• RQ3 훈련 도메인 선택이 생성된 레벨에서 목표 도메인 재현과 새로운 레벨의 창의성 간 균형에 얼마나 큰 영향을 미치는가?
• RQ4 모델은 목표 도메인에 충실하면서도 입력 도메인과 크게 다른 레벨을 도메인 선택에 따라 생성할 수 있는가?
• RQ5 이 방법은 미리 보지 못한 스케치를 다루고, 타당하고 플레이 가능한 레벨을 효과적으로 생성할 수 있는가?

주요 결과

• 이 방법은 입력 스케치의 구조적 구성 요소를 유지하면서도, 여러 소스 도메인에서 유래한 도메인 특화 세부 정보를 혼합하여 레벨을 생성하는 데 성공했다.
• 목표 도메인과 유사한 훈련 도메인을 사용한 경우(예: KI에 대해 MT와 SM), 생성된 레벨의 요소 분포가 목표 도메인과 매우 유사하여 효과적인 재현이 이루어졌다.
• 다양한 도메인을 혼합한 경우(예: MM 스케치에 대해 MT, KI, SM 혼합), 생성된 레벨은 입력 스케치 도메인의 분포와 크게 다름을 보여, 새로운 창의적 가능성과 탐색 잠재력을 입증했다.
• VAE가 생성한 스케치는 훈련 데이터와 비교해 매우 낮은 KL 발산(최소 0.038)을 보였으며, 이는 구조 패턴의 우수한 재구성과 일반화 능력을 나타낸다.
• 이 방법은 미리 보지 못한 스케치에 대해서도 강건성을 보였으며, EDBSP는 훈련 도메인 외의 스케치일지라도 생성된 레이아웃을 효과적으로 채웠다.
• 통합 모델을 사용한 조건부 스케치 생성은 개별 도메인 분포를 잘 근사하지 못했지만, 아키텍처적 한계가 있음에도 불구하고 향후 개선 가능성은 여전히 보여주었다.