GAN版马里奥创作者来了：一个样本就可以训练，生成级元素丰富-开源-量子比特

超级马里奥的舞台太习惯了，想刺激性地玩吗？

现在，汉诺威大学的研究者发售着生成船的新的，能玩的超市马里奥舞台的新的GAN。

画风完美统一，难点居然是：

此外，仅通过一个示例，您就可以进行培训。

比我这样的滥造家看起来更有逻辑性。

而且他们已经把代码开源了。

GAN版马里奥创作者

在《超级马里奥制造2》中，玩家可以组合不同等级的零件，用自己的灵感制作超级马里奥等级。

事实上，这种名为“TOAD-GAN”的AI生成水平的逻辑也与之相似。

TOAD-GAN是基于SinGAN架构的扩展，并且可以生成基于token的超级马里奥级别。

何为トケン长：

通过使用级联生成器和鉴别器，SinGAN可以仅通过单个图像来训练生成模型。

基于此体系结构，培训将一个阶段采样为N个不同的大小。

N的选择准则是产生器和鉴别器中的卷积滤波器的接受范围可以覆盖最小尺寸中的电平高度的至少一半。

这可以确保级别内的大结构能够正确建模，从而保证全局位置的变化。

在空间采样期间，一些较小但重要的结构可能会丢失。为此，研究人员提出了一种保留重要token的下采样方法。

要执行以下操作，请执行以下操作：。

首先，在单样本编码的训练级别上，使用双线性下采样创建所选大小的基础级别。

对于每个大小的每个像素，选择值大于0的token。然后，从该列表中，保留层次中最高级别的token，并将剩余的token设置为0。

然后，将Softmax应用于每个像素的所有通道。

接下来，需要对更小尺寸的输出进行双线性采样。

以此方式，TOAD-GAN可通过将预定义的输入注入到产生器电平的耦合中来执行电平描述。

研究人员表示，该应用程序对于程序内容生成非常有趣。因为指定token后，设计者只需指定参照等级和布局，生成器会自动创建变量，对数据量的要求不高。

实验结果

研究人员定性地比较了产生的结果。

与超马里奥的本地级别相比，TOAD-GAN中生成的级别在保留样式的基础上产生了不同的元素组合方法。

与之前的其他方法不同的是，“TOAD-GAN”是与生成器相对应的级别。这可以避免混合和混淆不同类型的级别样式。

另外，由于小样本的问题，也不会在（p）中重复。

因此，制造成本的游戏水平在视觉效果上更可靠。

研究人员还使用Baumgarten等人提出的马里奥通关AI验证了生成水平的有效性。通关AI可以在65%的随机生成水平获胜。在原生关卡胜率为52%。

不仅仅是超市马里奥

事实上，不仅是超级马里奥，研究人员也通过实验证明，TOAD-GAN可以生成超级马里奥赛车等基于托肯的游戏等级。

TOAD-GAN仅通过本地课程样本进行训练。

通过对布局进行种子化，可以保证赛车轨道的连接性和游隙性，也可以使轨道结构和原始样品产生明显的差异。

研究人员还表示，下一步将游戏机制融入到生成过程中，对Minecraft这样的像素游戏和具有非线性水平结构的迷宫游戏应用TOAD-GAN。

传输门

论文地址：https：//arxiv.org/abs/2008.01531

GitHub项目地址：https：//github.com/Mawiszus/TOAD-GAN