[论文解读] Multi-Domain Level Generation and Blending with Sketches via Example-Driven BSP and Variational Autoencoders

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

Artificial Intelligence in Games参考文献 29被引用 7

一句话总结

本文提出了一种混合式PCGML方法，结合变分自编码器（VAEs）进行结构层级生成，以及基于示例的二值空间分割（EDBSP）实现领域混合内容填充，能够在七个平台类游戏领域间重组结构模式的同时保留领域特定细节，从而生成新颖关卡。该方法成功生成了既可复现目标领域的关卡，也能基于训练领域选择探索新的结构与风格组合的关卡。

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.

研究动机与目标

• 解决在有限训练数据下，跨多个游戏领域进行程序化内容生成泛化的问题。
• 通过将不同领域中的结构模式重新组合，实现组合性创造力，生成新颖且连贯的关卡。
• 开发一种混合模型，将结构布局生成与领域特定内容填充分离，以提升灵活性与控制力。
• 在七个平台类游戏中评估该方法，其中包括三种此前未在PCGML研究中使用过的游戏。
• 探究领域选择如何影响生成关卡在目标领域保真度与新颖性之间的平衡。

提出的方法

• 使用变分自编码器（VAEs）学习多个领域关卡结构的连续潜在表征，从而生成未见的结构布局。
• 应用基于示例的二值空间分割（EDBSP），通过从多个源领域混合，将领域特定元素（如敌人、道具、平台）填充到生成的结构布局中。
• 将关卡表示为粗分辨率的二值草图，以抽象出跨领域的结构相似性，实现跨领域融合。
• 在每个领域的结构表征上独立训练VAEs，以在生成过程中保留领域特定特征。
• 使用基于草图的交互界面，用户输入草图后，该草图作为EDBSP模块的输入，生成完整关卡。
• 通过KL散度和元素分布相似性等指标，将生成关卡与训练数据进行比较以评估模型性能。

实验结果

研究问题

• RQ1 基于VAE的方法能否在多个游戏领域中生成结构多样且连贯的关卡布局？
• RQ2 EDBSP在将领域特定内容填充到VAE生成的结构布局中时，能否有效保持结构完整性？
• RQ3 训练领域选择在多大程度上影响生成关卡在目标领域复现与新颖性之间的平衡？
• RQ4 该模型能否生成既忠实于目标领域，又与输入领域显著不同的关卡，具体取决于领域选择？
• RQ5 该方法在处理未见过的草图时，是否能有效生成合理且可玩的关卡？

主要发现

• 该方法成功生成了既保留输入草图结构组件，又能融合多个源领域领域特定细节的关卡。
• 当使用与目标领域相似的训练领域（如MT和SM用于KI）时，生成关卡的元素分布与目标领域高度匹配，表明具有良好的复现能力。
• 在混合多样化领域时（如MT、KI、SM与MM草图结合），生成关卡的元素分布与输入草图所属领域截然不同，展现出显著的新颖性与探索潜力。
• 与训练数据相比，VAE生成的草图KL散度极低（最低达0.038），表明结构模式的重建与泛化效果良好。
• 该方法对未见过的草图表现出鲁棒性，EDBSP能有效填充生成布局，即使草图未出现在训练领域中。
• 使用联合模型进行条件草图生成未能准确逼近单个领域的分布，表明存在架构局限性，但结果仍显示出未来优化的潜力。