Game Content Generation from a Single Example

Produktbeschreibung

Diese Dissertation über die Generierung von prozeduralen Inhalten durch maschinelles Lernen befasst sich mit dem Problem der Generierung von Leveln in Videospielen mit Generative Adversarial Networks (GANs). GANs sind in der Lage, neue Beispiele zu generieren, die mit den Mustern in der Trainingsverteilung übereinstimmen, wenn eine große Anzahl von Beispieldaten vorhanden ist. Diese Anforderung schränkt jedoch ihre Anwendbarkeit in Bereichen mit wenig Traningsdaten ein, wie es bei Videospielen der Fall ist. Das Design von Leveln in Videospielen zum Beispiel ist ein schwieriger und zeitaufwändiger Prozess, was dazu führt, dass es nur sehr wenige Trainingsbeispiele gibt, auf denen ein GAN trainiert werden kann. In dieser Arbeit werden zwei neue Methoden vorgeschlagen, die tokenbasierte Level beliebiger Größe aus nur einem einzigen Trainingsbeispiel für 2D- bzw. 3D-Spiele erzeugen können.

C O N T E N T S
1 Introduction ….. 1
1.1 Procedural Content Generation . . . . . . . . . . . . . . . . 2
1.2 Super Mario Bros . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Minecraft . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Structure of the Thesis . . . . . . . . . . . . . . . . . . . . . 11
2 State of the art ….. 13
2.1 Generative Models . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Procedural Content Generation . . . . . . . . . . . . . . . . 15
2.2.1 Classic Methods . . . . . . . . . . . . . . . . . . . . 16
2.2.2 PCG via Machine Learning Methods . . . . . . . . 17
2.3 Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Related to this Thesis . . . . . . . . . . . . . . . . . 19
2.3.2 Additional . . . . . . . . . . . . . . . . . . . . . . . 21
3 Fundamentals ….. 23
3.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Artificial Neural Networks . . . . . . . . . . . . . . 24
3.1.2 Generative Adversarial Networks . . . . . . . . . . 30
3.1.3 SinGAN . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Procedural Content Generation for Video Game Levels . . 36
3.2.1 Interfacing with Token-based Levels . . . . . . . . 36
3.2.2 Markov Chains . . . . . . . . . . . . . . . . . . . . . 39
3.2.3 Wave Function Collapse . . . . . . . . . . . . . . . . 41
4 Generating super mario bros levels with toad-gan ….. 47
4.1 Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Architecture . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.2 Term Frequency – Inverse Document Frequency
and Token Hierarchy . . . . . . . . . . . . . . . . . 50
4.2 Experimental Results . . . . . . . . . . . . . . . . . . . . . . 52
4.2.1 Qualitative Samples . . . . . . . . . . . . . . . . . . 52
4.2.2 Tile-Pattern-KL-Divergence . . . . . . . . . . . . . . 54
4.2.3 Uniqueness and Levenshtein Distance . . . . . . . 57
4.2.4 Playability and Reachability . . . . . . . . . . . . . 58
4.2.5 Ablation Study . . . . . . . . . . . . . . . . . . . . . 61
4.2.6 Level Embeddings . . . . . . . . . . . . . . . . . . . 64
4.2.7 Additional Experiments . . . . . . . . . . . . . . . . 68
4.3 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

5 Using wor(l)d-gan to generate 3d minecraft worlds ….. 77
5.1 Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.1.1 Architecture and 3D Convolutions . . . . . . . . . 78
5.1.2 Block2vec . . . . . . . . . . . . . . . . . . . . . . . . 79
5.1.3 BERT Embeddings . . . . . . . . . . . . . . . . . . . 83
5.2 Experimental Results . . . . . . . . . . . . . . . . . . . . . . 85
5.2.1 Qualitative Results . . . . . . . . . . . . . . . . . . . 86
5.2.2 Quantitative Results and Ablation . . . . . . . . . . 88
5.2.3 Additional Experiments . . . . . . . . . . . . . . . . 99
5.3 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6 Conclusion ….. 105
6.1 TOAD-GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.2 Wor(l)d-GAN . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6.3 Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Bibliography ….. 111

Keywords: Videospiele, Prozedurale Inhaltsgenerierung, Level Generierung, Generative Adversarial Network, Video Games, Procedural Content Generation, Level Generation, Generative Adversarial Network