Details
Original language | English |
---|---|
Place of Publication | Düsseldorf |
Number of pages | 124 |
ISBN (electronic) | 9783186880109 |
Publication status | Published - 2023 |
Publication series
Name | Fortschritt-Berichte VDI |
---|---|
Volume | Nr. 880 |
ISSN (Print) | 0178-9627 |
Abstract
Keywords
- generative adversarial network, Video Games, Procedural Content Generation, Level Generation, Prozedurale Inhaltsgenerierung, Level Generierung, Videospiele
Cite this
- Standard
- Harvard
- Apa
- Vancouver
- BibTeX
- RIS
Düsseldorf, 2023. 124 p. (Fortschritt-Berichte VDI; Vol. Nr. 880).
Research output: Book/Report › Monograph › Research › peer review
}
TY - BOOK
T1 - Game content generation from a single example
AU - Awiszus, Maren
PY - 2023
Y1 - 2023
N2 - 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
AB - 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
KW - generative adversarial network
KW - Video Games
KW - Procedural Content Generation
KW - Level Generation
KW - Prozedurale Inhaltsgenerierung
KW - Level Generierung
KW - Videospiele
U2 - 10.51202/9783186880109
DO - 10.51202/9783186880109
M3 - Monograph
SN - 978-3-18-388010-2
T3 - Fortschritt-Berichte VDI
BT - Game content generation from a single example
CY - Düsseldorf
ER -