[论文解读] Game Level Clustering and Generation using Gaussian Mixture VAEs

Zhihan Yang, Anurag Sarkar+1 more|arXiv (Cornell University)|Aug 22, 2020

Artificial Intelligence in Games被引用 4

一句话总结

本文提出使用高斯混合变分自编码器（GMVAEs）对《超级马里奥兄弟》《小伊卡洛斯》和《洛克人》的游戏关卡片段进行无监督聚类与生成。通过在潜在空间中使用高斯混合模型，GMVAEs 在无标签条件下发现显著的设计模式，并生成具备特定特征的新关卡，在聚类解耦性和结构一致性方面优于基线 VAE-GMM 方法。

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.

研究动机与目标

• 为解决条件变分自编码器（VAE）在可控生成中依赖标注数据的局限性，实现游戏关卡特征的无监督聚类。
• 探究 GMVAEs 是否能在不了解设计模式先验知识的情况下，发现有意义且语义一致的关卡片段聚类。
• 从结构一致性、解耦性和可玩性等方面评估生成关卡的质量。
• 对比 GMVAE 与 VAE-GMM 基线在聚类有效性与生成保真度方面的表现。
• 探究 GMVAEs 作为游戏设计师探索关卡设计中隐藏结构的潜在工具的潜力。

提出的方法

• GMVAE 模型在潜在空间中使用 k 个分量的高斯混合（GM）先验，使每个分量能够学习一组独立的关卡片段聚类。
• 编码器将每个 16x16 的游戏片段映射为一个由均值和方差参数化的潜在分布，并从该分布中采样潜在向量。
• 解码器从采样的潜在向量重建输入片段，最小化重建损失（二元交叉熵）和与 GM 先验之间的 KL 散度。
• 模型通过反向传播端到端训练，结合重参数化技巧，实现对潜在分布的可微采样。
• 通过在每个分量生成的样本上训练多层感知机（MLP）来评估解耦性，从而衡量聚类性能。
• 可玩性通过在每个分量生成的聚合关卡片段上运行改进的 A* 搜索算法进行测量，结果按游戏分别报告。

实验结果

研究问题

• RQ1 GMVAEs 是否能基于特定设计模式（如特定元素的存在或结构布局）无监督地发现有意义的关卡片段聚类？
• RQ2 在分量解耦性和结构一致性方面，GMVAEs 的聚类性能与 VAE-GMM 基线相比如何？
• RQ3 GMVAE 学习到的各个分量能否生成具有一致且期望特征的新关卡片段？
• RQ4 生成的关卡片段在整合为更大关卡时，其可玩性在多大程度上得以保持？
• RQ5 GMVAEs 发现的聚类是否与人类感知到的关卡类型或设计类别相一致？

主要发现

• GMVAEs 在《超级马里奥兄弟》（SMB）中生成的关卡片段可玩性达到至少 99.4%，在《小伊卡洛斯》中为 79.2%，表明其具有较高的结构质量。
• 对于 GMVAEs，至少 70% 的分量保持高且稳定的解耦性，而随着分量数量增加，VAE-GMM 基线的解耦性显著下降。
• 在 SMB 和 MM 中，GMVAE 在 2 个分量时性能较差，可能是因为将多个设计模式过度拟合到每个分量中，导致可区分性降低。
• GMVAE 在聚类解耦性方面优于 VAE-GMM 基线，表现为在不同分量数量下，高分离度分量的比例更高且更稳定。
• 每个 GMVAE 分量均学会生成具有稳定设计特征的关卡片段，如特定敌人类别的布局或平台跳跃模式，从而实现定向生成。
• GMVAE 的潜在空间支持在聚类之间进行插值，尽管此类插值可能位于未探索区域，但可能生成新颖的关卡结构。