ترجمه فارسی مقاله بهبود نسل سطح مشروط با استفاده از اعتبار سنجی خودکار در بازی های 3 بازی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Improving Conditional Level Generation using Automated Validation in Match-3 Games
عنوان مقاله به فارسی بهبود نسل سطح مشروط با استفاده از اعتبار سنجی خودکار در بازی های 3 بازی
نویسندگان Monica Villanueva Aylagas, Joakim Bergdahl, Jonas Gillberg, Alessandro Sestini, Theodor Tolstoy, Linus Gisslén
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 18 September, 2024; v1 submitted 10 September, 2024; originally announced September 2024. , Comments: 10 pages, 5 figures, 2 tables , Journal ref: Transactions on Games 2024
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛V1 ارسال شده 10 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 10 صفحه ، 5 شکل ، 2 جدول ، ژورنال Ref: معاملات در بازی های 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Generative models for level generation have shown great potential in game production. However, they often provide limited control over the generation, and the validity of the generated levels is unreliable. Despite this fact, only a few approaches that learn from existing data provide the users with ways of controlling the generation, simultaneously addressing the generation of unsolvable levels. %One of the main challenges it faces is that levels generated through automation may not be solvable thus requiring validation. are not always engaging, challenging, or even solvable. This paper proposes Avalon, a novel method to improve models that learn from existing level designs using difficulty statistics extracted from gameplay. In particular, we use a conditional variational autoencoder to generate layouts for match-3 levels, conditioning the model on pre-collected statistics such as game mechanics like difficulty and relevant visual features like size and symmetry. Our method is general enough that multiple approaches could potentially be used to generate these statistics. We quantitatively evaluate our approach by comparing it to an ablated model without difficulty conditioning. Additionally, we analyze both quantitatively and qualitatively whether the style of the dataset is preserved in the generated levels. Our approach generates more valid levels than the same method without difficulty conditioning.

چکیده به فارسی (ترجمه ماشینی)

مدل های تولیدی برای تولید سطح پتانسیل بسیار خوبی در تولید بازی نشان داده اند.با این حال ، آنها غالباً کنترل محدودی بر نسل ارائه می دهند و اعتبار سطح تولید شده غیرقابل اعتماد است.با وجود این واقعیت ، فقط چند رویکرد که از داده های موجود یاد می گیرند ، روش هایی برای کنترل نسل را در اختیار کاربران قرار می دهد و همزمان به تولید سطوح غیرقابل حل می پردازند.٪ یکی از اصلی ترین چالش هایی که با آن روبرو است این است که سطوح ایجاد شده از طریق اتوماسیون ممکن است قابل حل نباشد بنابراین نیاز به اعتبار سنجی دارد.همیشه جذاب ، چالش برانگیز یا حتی قابل حل نیستند.در این مقاله آوالون ، روشی جدید برای بهبود مدل هایی که از طرح های سطح موجود با استفاده از آمار دشواری استخراج شده از گیم پلی می آموزند ، پیشنهاد می کند.به طور خاص ، ما از یک autoencoder متغیر مشروط برای تولید چیدمان برای سطح Match-3 استفاده می کنیم ، و این مدل را بر روی آمارهای از پیش جمع آوری شده مانند مکانیک بازی مانند دشواری و ویژگی های بصری مرتبط مانند اندازه و تقارن تهویه می کنیم.روش ما به اندازه کافی کلی است که می توان از رویکردهای متعدد به طور بالقوه برای تولید این آمار استفاده کرد.ما با مقایسه آن با یک مدل فرسوده و بدون مشکل ، رویکرد خود را به صورت کمی ارزیابی می کنیم.علاوه بر این ، ما هم از نظر کمی و هم از نظر کیفی تجزیه و تحلیل می کنیم که آیا سبک مجموعه داده در سطوح تولید شده حفظ می شود.رویکرد ما سطوح معتبر تری نسبت به همان روش و بدون تهویه مشکل ایجاد می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.