[论文解读] TOAD-GAN: Coherent Style Level Generation from a Single Example

Maren Awiszus, Frederik Schubert+1 more|arXiv (Cornell University)|Aug 4, 2020

Artificial Intelligence in Games被引用 6

一句话总结

TOAD-GAN 是一种用于基于标记的视频游戏关卡程序化内容生成的一次性生成对抗网络，受 SinGAN 启发但针对 2D 关卡地图进行了适配。它能从单一示例生成风格一致、多样且任意尺寸的关卡，并通过潜在空间编辑实现用户可控的全局布局，实现了最先进的模式建模能力，并开启了新型关卡创作功能。

ABSTRACT

In this work, we present TOAD-GAN (Token-based One-shot Arbitrary Dimension Generative Adversarial Network), a novel Procedural Content Generation (PCG) algorithm that generates token-based video game levels. TOAD-GAN follows the SinGAN architecture and can be trained using only one example. We demonstrate its application for Super Mario Bros. levels and are able to generate new levels of similar style in arbitrary sizes. We achieve state-of-the-art results in modeling the patterns of the training level and provide a comparison with different baselines under several metrics. Additionally, we present an extension of the method that allows the user to control the generation process of certain token structures to ensure a coherent global level layout. We provide this tool to the community to spur further research by publishing our source code.

研究动机与目标

• 为解决程序化内容生成（PCG）中训练数据有限的问题，即大多数方法需要大规模数据集且难以保持风格一致性。
• 克服现有 PCGML 方法存在的局限性，如生成混合风格的关卡，或缺乏可解释性和可控性。
• 将 SinGAN 架构扩展至基于标记的游戏关卡，实现一次训练和生成多样、一致的关卡。
• 提出一种新型下采样方法，以在 2D 标记地图中保留关键结构元素。
• 通过在最低尺度上对用户定义的全局布局进行条件控制，实现高层级关卡创作控制。

提出的方法

• 将 SinGAN 架构适配为生成 2D 基于标记的游戏关卡，而非自然 RGB 图像，采用多尺度块状特征学习。
• 在独热编码的关卡地图上应用自定义下采样算法，以保留小型但关键的结构标记，避免在分辨率降低过程中丢失信息。
• 采用潜在空间条件控制机制，通过双线性上采样使最低尺度的编辑传播至所有尺度，从而实现全局布局创作。
• 在关卡切片上训练卷积分类器以提取非线性特征表示，并通过 UMAP 可视化比较生成关卡与真实关卡的分布。
• 应用瓦片模式 KL 散度度量，对生成关卡与原始关卡之间的风格保真度进行定量评估。
• 采用基于 WGAN-GP 的训练目标，结合实例归一化和 Leaky ReLU 激活函数，以稳定在小尺寸、高对比度的标记地图上的训练过程。

实验结果

研究问题

• RQ1 基于 GAN 的模型能否从单一训练示例生成多样、一致的视频游戏关卡，同时保持原始风格？
• RQ2 如何将一次性训练适配至与自然图像数据本质不同的基于标记的 2D 关卡地图？
• RQ3 该模型能否在不损失风格一致性的前提下，支持用户引导的全局关卡结构创作？
• RQ4 在模式分布和结构多样性方面，生成关卡与真实关卡相比如何？
• RQ5 潜在空间可视化能否揭示有意义的语义结构以及关卡类型之间的流形关系？

主要发现

• TOAD-GAN 能够从单一示例成功生成全新、视觉上一致的《超级马里奥兄弟》和《超级马里奥卡丁车》关卡，其尺寸任意，且保持了训练关卡的风格和标记分布。
• 通过瓦片模式 KL 散度度量，模型在建模训练关卡模式方面达到当前最优性能，优于多个基线模型。
• 使用 UMAP 进行潜在空间可视化揭示了对应于关卡类型（如世界关、地下关、浮空平台关）的独立聚类，证实了学习特征中存在有意义的语义结构。
• 该方法实现了用户可控的全局布局创作：通过编辑最低尺度的标记地图，用户可生成无限种风格一致的变体，如《超级马里奥卡丁车》赛道所示。
• 生成器不仅学习在训练分布内生成切片，还能在关卡流形的邻近区域生成，表明其具有鲁棒且多样的生成能力。
• 通过使用五个卷积层和九个尺度层级，模型在更大、更复杂的游戏中（如《超级马里奥卡丁车》）展现出泛化能力，同时保持了关卡的一致性和风格保真度。