Game content generation from a single example

Research output: Book/ReportMonographResearchpeer review

Authors

  • Maren Awiszus
View graph of relations

Details

Original languageEnglish
Place of PublicationDüsseldorf
Number of pages124
ISBN (electronic)9783186880109
Publication statusPublished - 2023

Publication series

NameFortschritt-Berichte VDI
VolumeNr. 880
ISSN (Print)0178-9627

Abstract

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

Keywords

    generative adversarial network, Video Games, Procedural Content Generation, Level Generation, Prozedurale Inhaltsgenerierung, Level Generierung, Videospiele

Cite this

Game content generation from a single example. / Awiszus, Maren.
Düsseldorf, 2023. 124 p. (Fortschritt-Berichte VDI; Vol. Nr. 880).

Research output: Book/ReportMonographResearchpeer review

Awiszus, M 2023, Game content generation from a single example. Fortschritt-Berichte VDI, vol. Nr. 880, Düsseldorf. https://doi.org/10.51202/9783186880109
Awiszus, M. (2023). Game content generation from a single example. (Fortschritt-Berichte VDI; Vol. Nr. 880). https://doi.org/10.51202/9783186880109
Awiszus M. Game content generation from a single example. Düsseldorf, 2023. 124 p. (Fortschritt-Berichte VDI). doi: 10.51202/9783186880109
Awiszus, Maren. / Game content generation from a single example. Düsseldorf, 2023. 124 p. (Fortschritt-Berichte VDI).
Download
@book{7f564737fad44fbb926a1b1b544d7494,
title = "Game content generation from a single example",
abstract = "Diese Dissertation {\"u}ber 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 {\"u}bereinstimmen, wenn eine gro{\ss}e Anzahl von Beispieldaten vorhanden ist. Diese Anforderung schr{\"a}nkt 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 zeitaufw{\"a}ndiger Prozess, was dazu f{\"u}hrt, 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 Gr{\"o}{\ss}e aus nur einem einzigen Trainingsbeispiel f{\"u}r 2D- bzw. 3D-Spiele erzeugen k{\"o}nnen. 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",
keywords = "generative adversarial network, Video Games, Procedural Content Generation, Level Generation, Prozedurale Inhaltsgenerierung, Level Generierung, Videospiele",
author = "Maren Awiszus",
year = "2023",
doi = "10.51202/9783186880109",
language = "English",
isbn = "978-3-18-388010-2 ",
series = "Fortschritt-Berichte VDI",

}

Download

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 -