Reconstructing Existing Levels through Level Inpainting（AIIDE 231006）[水文踩雷]

Reconstructing Existing Levels through Level Inpainting（AIIDE 231006）

• 主要针对游戏关卡的图像修复（level inpainting）
• Content Augmentation

个人总结

水文，主要是这篇文章只是挂在AAAI下面，和顶会AAAI（AAAI conference on Artification Intelligence）完全不是一个级别的；
本文主要是把图像修复里面的框架移植到PCG里，表面上是想用在关卡修复上，但是实质上，其实就是用mask遮挡掉关卡中的一部分，然后训练一个U-net或者卷积生成器来把这部分还原。整个过程其实和关卡修复没什么关系，因为关卡修复的主要目的还是让各个tile满足约束规则，通常是用WFC这种搜索式方法完成的。文章强行和将关卡修复成和设计者意愿相同的关卡，实际上，有点强词夺理。

Introduction

我们提出了一个名为"Content Augmentation"（内容增强）的新型程序性内容生成（PCG）问题。CA的主要特点是扩展原始内容。例如，CA可以用于生成在线服务游戏的可下载内容（DLC）、游戏修改（mods）或更新内容。这意味着CA的任务是在已有的游戏内容上进行扩展和增强，以提供更多的游戏体验选项，以满足玩家需求。

Contribution

• PCG的许多分支与CA有一些重叠。经典的PCG方法，如搜索或语法，可以应用于CA。但这些方法传统上并不专注于基于某些设计师的先前工作创建内容（Shaker，Togelius和纳尔逊2016）。PCGML技术已经尝试学习模仿特定的设计者，然而这迄今为止一直集中在生成具有相同风格的全新内容片段，而不是扩展现有内容（萨默维尔et al. 2018年）。
• 将现有关卡作为输入，进行扩展，而不是从头开始生成。

While prior work has in-cluded models capable of repairing levels (Jain et al. 2016),
it has focused on making changes to the levels to make them playable. Instead, we focus on learning the style of a set of game levels and then filling in missing, “masked out” sections of other levels. Our future goal is to use these models to expand levels or to create new level structure that can connect disparate areas as part of a larger CA system.

• 之前的工作聚焦于使关卡可玩，本文集中于学习已有关卡的风格，然后去修复其他关卡。和单纯的图像修复不同，修复后的关卡还需要保证可玩。

Related Work

Wave Function Collapse (WFC)(Kim et al. 2019) is one particular PCGML algorithm. WFC focuses on extracting local patterns and then using the extracted patterns to incrementally generate an output that, in our opinion, is surprisingly consistent with the original author’s style
（WFC先从本地学一个pattern，然后再去生成level，结果和本地的关卡风格几乎一致）

These approaches were altering content, but for the purpose of level playability, not to match a style or re-place an undefined section.

（之前的修复器，是为了让生成的图片变得可以玩，但是没有匹配一种风格？）

System Overview

Our goal for level inpainting is to extend an author’s design with the same style.
(那这句话意思其实是说之前的修复方法只是为了让关卡能玩，而不管他们生成的风格？但是这里保持和原来相同的设计不就说明多样性不足吗？他怎么界定这个style)

Model Architecture

用了U-net和Convolutional autoencoder architecture这两种架构

Evaluation

参考文献

Sarkar, A.; and Cooper, S. 2021. Generating and blending game levels via quality-diversity in the latent space of a vari-ational autoencoder. In The 16th International Conference on the Foundations ofDigital Games (FDG) 2021, 1–11.
Summerville, A.; and Mateas, M. 2016. Super mario as a string: Platformer level generation via lstms. arXiv preprintarXiv:1603.00930.
Summerville, A.; Snodgrass, S.; Guzdial, M.; Holmg˚ard, C.; Hoover, A. K.; Isaksen, A.; Nealen, A.; and Togelius, J. 2018. Procedural content generation via machine learning (PCGML). IEEE Transactions on Games, 10(3): 257–270.