[论文解读] Illuminating Mario Scenes in the Latent Space of a Generative Adversarial Network

Matthew C. Fontaine, Ruilin Liu+5 more|arXiv (Cornell University)|Jul 10, 2020

Artificial Intelligence in Games被引用 8

一句话总结

本文提出使用质量多样性算法——特别是MAP-Elites和CMA-ME——来探索在超级马里奥兄弟关卡场景上训练的生成对抗网络（GAN）的潜在空间，使设计师能够生成具有指定游戏玩法特征的多样化、高质量关卡。CMA-ME在覆盖范围和质量方面优于其他方法，生成的关卡在风格上与人工设计的关卡相似，且在敌人数量和地形复杂度等机制上具有多样性。

ABSTRACT

Generative adversarial networks (GANs) are quickly becoming a ubiquitous approach to procedurally generating video game levels. While GAN generated levels are stylistically similar to human-authored examples, human designers often want to explore the generative design space of GANs to extract interesting levels. However, human designers find latent vectors opaque and would rather explore along dimensions the designer specifies, such as number of enemies or obstacles. We propose using state-of-the-art quality diversity algorithms designed to optimize continuous spaces, i.e. MAP-Elites with a directional variation operator and Covariance Matrix Adaptation MAP-Elites, to efficiently explore the latent space of a GAN to extract levels that vary across a set of specified gameplay measures. In the benchmark domain of Super Mario Bros, we demonstrate how designers may specify gameplay measures to our system and extract high-quality (playable) levels with a diverse range of level mechanics, while still maintaining stylistic similarity to human authored examples. An online user study shows how the different mechanics of the automatically generated levels affect subjective ratings of their perceived difficulty and appearance.

研究动机与目标

• 解决在人类设计师易于理解的方式下探索生成对抗网络潜在空间以进行程序化游戏关卡生成的挑战。
• 使设计师能够指定游戏度量（例如敌人数量、障碍物数量），而非依赖于难以形式化的目标。
• 评估质量多样性（QD）算法是否能高效地从生成对抗网络的潜在空间中提取多样化且高质量、风格一致的关卡集合。
• 在基于生成对抗网络的关卡生成背景下，比较最先进的质量多样性算法，并确定最有效的方案。

提出的方法

• 采用在真实超级马里奥兄弟关卡场景上训练的条件DCGAN，以在潜在空间中生成外观逼真的关卡图像。
• 使用质量多样性算法——MAP-Elites、MAP-Elites（线性）和CMA-ME——通过同时优化游戏度量（例如敌人数量、天空方块数量）和生成对抗网络保真度，来探索潜在空间。
• 在CMA-ME中应用方向性变异算子和协方差矩阵自适应，以提升在连续潜在空间中的探索能力。
• 将游戏度量定义为连续变量（归一化至[0,1]），并将其用作质量多样性算法中的行为描述符。
• 通过客观度量（与真实关卡的KL散度）和主观用户研究（对关卡难度和相似度的感知）评估生成的关卡。
• 通过Amazon Mechanical Turk收集并分析用户研究数据，实施严格的质量控制，并使用混合效应序回归评估游戏特征对感知的影响。

实验结果

研究问题

• RQ1 质量多样性算法能否有效揭示已训练生成对抗网络的潜在空间，以生成具有指定游戏特征的多样化、高质量超级马里奥兄弟关卡场景？
• RQ2 不同质量多样性算法（例如CMA-ME、MAP-Elites、CMA-ES）在生成关卡集合的覆盖范围和质量方面表现如何比较？
• RQ3 游戏度量（例如敌人数量、天空方块数量）在多大程度上影响用户对关卡难度和与人工创作关卡视觉相似度的主观感知？
• RQ4 KL散度度量是否与人类对真实关卡场景相似度的感知相关？

主要发现

• CMA-ME在多样性（覆盖范围）和质量（QD得分）方面均优于所有其他算法，生成了最全面且性能最高的关卡场景集合。
• 天空方块数量对感知难度的影响强于敌人数量（β = 4.35，p < 0.001），表明地形复杂度是难度感知中更显著的因素。
• 用户一致表示跳跃频率和长度是影响其难度评分的主要因素，与游戏机制一致。
• KL散度值显著预测了与真实关卡场景的相似度感知（β1 = -1.24，p < 0.001；β2 = -0.40，p < 0.001），表明该度量与人类感知具有良好的相关性。
• 用户研究证实，具有不同机制的关卡在难度和外观上均被感知为不同，验证了生成结果的多样性。
• 该方法成功生成了在风格上与人工创作示例相似的关卡，同时通过潜在空间探索实现了对游戏特征的细粒度控制。