CN114418005B - 基于gan网络的游戏地图自动生成方法、装置、介质及设备 - Google Patents
基于gan网络的游戏地图自动生成方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114418005B CN114418005B CN202210068756.4A CN202210068756A CN114418005B CN 114418005 B CN114418005 B CN 114418005B CN 202210068756 A CN202210068756 A CN 202210068756A CN 114418005 B CN114418005 B CN 114418005B
- Authority
- CN
- China
- Prior art keywords
- map
- area
- object instance
- expanded
- data pair
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GAN网络的游戏地图自动生成方法、装置、介质及设备,属于游戏地图技术领域。该方法包括如下步骤:根据已知地图区域中出现的物体实例类别和每种类别的实例个数,获取待扩展区域中可能出现的物体实例类别和每种类别的实例个数;获取GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D;将待扩展区域的物体实例类别和每种类别的实例个数输入到所述的GAN网络模型中的地图生成器G中,生成待扩展区域的新地图。本发明利用GAN网络模型能够自动生成逼真但又与已知地图有所差异的游戏地图,降低游戏地图的开发成本。
Description
技术领域
本发明属于游戏地图技术领域,尤其涉及一种基于GAN网络的游戏地图自动生成方法、装置、介质及设备。
背景技术
近年来,随着游戏技术和游戏种类的不断发展,游戏越来越得到人们的认可和喜爱,尤其是多款游戏作为体育竞技项目已被列入到2022年的杭州亚运会比赛项目中。随机地图类游戏(roguelike)与其他固定游戏地图的游戏相比,由于游戏地图是随机生成的,大大丰富了游戏的内容,增加了游戏玩家的新鲜感。
现有的随机游戏地图大多是在初始地图的基础上,进行一定程度的参数更改后生成了新的游戏地图。但是现有随机游戏地图生成技术具有两个主要的缺点。
首先,生成的新地图还是依赖于人们对地图参数的修改,没有实现真正意义上的游戏地图自动生成,这导致生成的游戏地图是有限的,而不是无限的。
其次,生成的新地图对地图参数修改非常敏感。参数修改过大会导致新地图与原地图差距过大,从而使得新地图不能直接渲染到原地图周围的待扩展区域;参数修改过小会导致新地图与原地图无差别,从而降低了游戏的趣味性。
因此,如何基于原地图合理地自动扩展游戏地图,是目前亟待解决的技术问题。
发明内容
本发明的目的在于解决现有技术中存在的问题,并提供一种基于GAN网络的游戏地图自动生成方法。
本发明具体是通过以下技术方案实现的:
第一方面,本发明提供了一种基于GAN网络的游戏地图自动生成方法,其包括以下步骤:
S1:根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合;其中一个地图区域的所述数据对集合由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成;
S2:针对已知地图区域训练GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D,训练过程中所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,不断交替训练使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图;
S3:将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
作为上述第一方面的优选,所述S1中获取待扩展区域对应的数据对集合的具体步骤包括:
S14:不断迭代重复步骤S12至S13,直至物体实例类别集合中所有物体实例类别的物体实例个数之和超过***设置的待扩展区域物体实例个数最大值后,停止迭代,将物体实例类别集合中每一个物体实例类别和对应的物体实例个数作为一个数据对加入待扩展区域对应的数据对集合T中,使数据对集合T中具有待扩展区域所包含的所有物体实例类别和每种物体实例类别的实例个数。
作为上述第一方面的优选,所述的***设置的待扩展区域物体实例个数最大值为已知地图区域的物体实例总个数。
作为上述第一方面的优选,所述的物体实例类别和每种类别的实例个数的数据对集合T为{(c1,k1),(c2,k2),…(cn,kn)},其中cn,kn分别表示第n个类别和该类别的物体实例个数。
作为上述第一方面的优选,所述S2的具体实现步骤包括:
S21:获取根据游戏中已知地图区域构建的训练样本,所述训练样本包含m组数据{(X1,T1),(X2,T2),…(Xm,Tm)},其中Xi和Ti分别表示第i个地图和第i个地图对应的所述数据对集合;
式中D(,)表示所述地图判别器的输出结果。
S24:不断重复步骤S22和S23,对所述地图生成器G和地图判别器D进行交替训练,直至GAN网络模型收敛。
作为上述第一方面的优选,所述m应该在500以上。
作为上述第一方面的优选,所述交替训练过程中每训练3~7次地图判别器D后训练1次地图生成器G。
作为上述第一方面的优选,步骤S22和S23中采用梯度下降算法优化所述地图生成器G的参数θg和地图判别器D的参数θd。
第二方面,本发明提供了一种基于GAN网络的游戏地图自动生成装置,其包括:
数据对集合获取模块,用于根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合;其中一个地图区域的所述数据对集合由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成;
GAN网络模型训练模块,用于针对已知地图区域训练GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D,训练过程中所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图;
新地图生成模块,用于将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
第三方面,本发明提供了一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如上述第一方面中任一方案所述的基于GAN网络的游戏地图自动生成方法。
第四方面,本发明提供了一种电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如上述第一方面中任一方案所述的基于GAN网络的游戏地图自动生成方法。
相对于现有技术而言,本发明具有以下有益效果:
1)本发明提出了一种基于GAN网络的游戏地图自动生成方法,该方法可以根据已知地图区域中的物体实例信息自动计算出待扩展区域的物体实例类别和每种类别的实例个数,进而利用这些数据动态生成游戏地图。整个过程不需要人为干预,全部可以依靠程序方法自动完成,这使得该方法具备无限生成待扩展区域地图的能力。
2)本发明基于GAN网络的生成对抗的学习方式,利用GAN网络中的地图生成器G可以生成清晰度更高、更逼真、更多样的游戏地图。
附图说明
图1为基于GAN网络的游戏地图自动生成方法的流程图。
图2为基于GAN网络的游戏地图自动生成装置的模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下,均可进行相应组合。
本发明用于游戏中一项基本任务,即自动生成游戏地图。在该任务中,当给定一个已知地图区域和待扩展区域位置后,需要根据已知地图区域的信息生成一个新地图然后渲染到待扩展区域上,完成游戏地图的自动生成。下面对本发明的具体实现过程进行详细描述。
参见图1所示,在本发明的一个较佳实施例中,提供了一种基于GAN网络的游戏地图自动生成方法,其基本步骤如下:
S1:根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合。其中需要说明的是,本发明中所谓的数据对集合,是一个由一系列的数据对组成的集合,数据对集合是与地图区域对应的。不论是游戏中的已知地图区域还是待扩展区域,任意一个地图区域的数据对集合均由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成。一个地图区域的数据对集合具体可以表示为{(c1,k1),(c2,k2),…(cN,kN)},其中(cn,kn)为一个数据对,cn和kn分别表示第n个物体实例类别和该类别的物体实例个数,n=1,2,…,N,其中N为该地图区域所包含的物体实例类别总数。一般情况下,可以确定已知地图区域的***区域为待扩展区域。
另外需要说明的是,本发明中的物体实例类别,具体需要根据游戏中对于物体的类别划分进行确定,游戏场景中的存在的元素,例如植物、建筑、车辆、人物等均可作为物体实例类别,对此不作限制。
对于已知地图区域而言,其中的物体实例类别以及每种物体实例类别的实例个数是已知的,通过统计即可确定对应的数据对集合。但是对于待扩展区域,由于尚未存在地图,因此其中的物体实例类别以及每种物体实例类别的实例个数是未知的,无法通过统计确定对应的数据对集合。在本发明中,需要按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则来获取待扩展区域对应的数据对集合。所谓物体实例类别相似度最大化的原则,也就是说要保证两个区域中所含有的物体实例类别尽快相似,但这并非是使两个区域对应的数据对集合完全相同,两者之间依然需要具有差异性,其中每种物体实例类别的实例个数也可以具有差异性,以此在保证扩展地图与已知地图保持关联性的同时尽可能提高游戏地图的多样性和趣味性。
作为本发明实施例的一种具体实现形式,S1中获取待扩展区域对应的数据对集合的具体步骤包括:
为了便于后续统计待扩展区域中已分配的物体实例的个数,可以利用一个初始值为0的计数器P类实时统计待扩展区域中已分配的物体实例个数,即每一次对物体实例类别c*随机分配物体实例个数k*后,即可将P加上k*:
P=P+k*
S14:不断迭代重复步骤S12至S13,直至物体实例类别集合中所有物体实例类别的物体实例个数之和超过***设置的待扩展区域物体实例个数最大值,即满足P≥Y,即可停止迭代。然后,将物体实例类别集合中每一个物体实例类别和对应的物体实例个数作为一个数据对加入待扩展区域对应的数据对集合T中,使数据对集合T中具有待扩展区域所包含的所有物体实例类别和每种物体实例类别的实例个数。为了便于理解,该数据对集合T可以表示为如下形式:T={(c1,k1),(c2,k2),…(cn1,kn1)},其中n1为物体实例类别集合中物体实例类别的总数。
作为本发明实施例的一种具体实现形式,上述***设置的待扩展区域物体实例个数最大值为已知地图区域的物体实例总个数,由此保证待扩展区域与已知地图区域中的物体实例数量相近。
作为本发明实施例的一种具体实现形式,物体实例类别集合中每一个物体实例类别对应的k*应该大于等于1但小于***设置的待扩展区域物体实例个数最大值Y的五分之一,即满足1≤k*≤Y/5,以此保证待扩展区域中物体实例类别的多样性。
由此,经过上述S11~S14步骤,获得了新地图的物体实例信息即数据对集合T。这些新地图的物体实例信息作为参数去限定生成的新地图中的物体实例,以此保证新地图与已知地图区域的关联性。
S2:针对已知地图区域训练GAN网络模型,其中GAN网络模型包括地图生成器G和地图判别器D。训练过程中,所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,不断交替训练使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图。
在本发明中,GAN网络是一种生成式对抗网络GAN(Generative adversarialnetworks),其中的地图生成器G即生成网络,地图判别器D即辨别网络,该模型的基本原理是由生成网络将一个噪声包装成一个逼真的样本,该样本在本发明中即已知地图区域的伪造地图,而辨别网络则需要判断送入的样本是真实的还是假的样本,在本发明中即区分已知地图区域的真实地图和伪造地图。当不断训练后,地图生成器G能够根据一个地图区域的数据对集合生成与真实地图近似的伪造地图,使该伪造地图尽可能接近真实地图,无法被地图判别器D识别为假地图。GAN网络的具体结构属于现有技术,对此不再赘述。
作为本发明实施例的一种具体实现形式,上述步骤S2的具体实现步骤包括:
S21:获取根据游戏中已知地图区域构建的训练样本,所述训练样本包含m组数据{(X1,T1),(X2,T2),…(Xm,Tm)},其中Xi和Ti分别表示第i个地图和第i个地图对应的所述数据对集合,i=1,2,…,m。
需要说明的是,Xi实际代表了一个游戏中已知的地图子块,该地图子块中的物体实例类别以及每种物体实例类别的实例个数是已知的,可以通过统计确定对应的数据对集合Ti。
训练样本中,m的具体数量需要根据游戏中已知地图区域内划分的地图子块数量而定,对此不做限定。作为本发明实施例的一种优选做法,m应该在500以上,以保证GAN网络模型能够得到充分地训练和优化。
上述包含m组数据的训练样本用于对GAN网络模型进行相应训练优化,使得该GAN网络模型可以真正用于游戏地图自动生成。在本发明中,GAN网络模型训练时的优化目标包含两类:
另外,作为本发明实施例的一种具体实现形式,上述步骤S22和S23中采用梯度下降算法优化所述地图生成器G的参数θg和地图判别器D的参数θd。
S24:不断重复步骤S22和S23,对所述地图生成器G和地图判别器D进行交替训练,直至GAN网络模型收敛。
另外,在本发明的交替训练过程中,具体的训练参数和训练方式可以根据实际调整优化。重复步骤S22和S23时,其交替重复的频次可以是不同的,作为一种优选方式,在GAN网络模型的交替训练过程中,可以设置每训练3~7次地图判别器D后训练1次地图生成器G,进一步优选为每训练5次地图判别器D后训练1次地图生成器G,即每执行5次S23就执行1次S22。具体的交替次数可以根据实际需要调整,例如可交替训练20000次。
由此,通过上述S21~S24步骤即可训练一个性能优越的地图生成器G,通过输入地图的物体实例信息可以生成能够逼真且能直接渲染在待扩展区域上的新地图。
S3:将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
作为本发明实施例的一种具体实现形式,上述S3的具体步骤如下:
S32:将地图生成器G生成的新地图渲染到待扩展区域,由于新地图是地图生成器G生成的,因此其风格本身与已知地图相似,而且由于其是由数据对集合T生成的,而待扩展区域的数据对集合T是按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则获取的,因此其也可以尽可能保证新地图与已知地图区域的关联性,由此实现基于原地图合理地自动扩展游戏地图的目的。本发明能够自动生成逼真但又与已知地图有所差异的游戏地图,增加游戏的可玩性和降低游戏地图的开发成本。
基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于GAN网络的游戏地图自动生成方法对应的基于GAN网络的游戏地图自动生成装置。如图2所示,在该基于GAN网络的游戏地图自动生成装置中包括三个基本的模块,分别为:
数据对集合获取模块,用于根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合;其中一个地图区域的所述数据对集合由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成;
GAN网络模型训练模块,用于针对已知地图区域训练GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D,训练过程中所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图;
新地图生成模块,用于将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
由于本发明实施例中的基于GAN网络的游戏地图自动生成装置解决问题的原理与本发明上述实施例的基于GAN网络的游戏地图自动生成方法相似,因此该实施例中装置的各模块具体实现形式未尽之处亦可可以参见上述方法的具体实现形式,重复之处不再赘述。
同样的,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于GAN网络的游戏地图自动生成方法对应的一种电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如前所述的基于GAN网络的游戏地图自动生成方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
由此,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的基于GAN网络的游戏地图自动生成方法对应的一种计算机可读存储介质,该所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如前所述的基于GAN网络的游戏地图自动生成方法。
具体而言,在上述两个实施例的计算机可读存储介质中,存储的计算机程序被处理器执行,可执行下列S1~S3的步骤:
S1:根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合;其中一个地图区域的所述数据对集合由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成;
S2:针对已知地图区域训练GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D;训练过程中所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,不断交替训练使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图;
S3:将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
可以理解的是,上述存储介质可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。同时存储介质还可以是U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是,上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的各实施例中,所述的装置和方法中对于步骤或者模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或步骤可以结合或者可以集成到一起,一个模块或者步骤亦可进行拆分。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (9)
1.一种基于GAN网络的游戏地图自动生成方法,其特征在于,包括:
S1:根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合;其中一个地图区域的所述数据对集合由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成;所述获取待扩展区域对应的数据对集合的具体步骤包括:
S14:不断迭代重复步骤S12至S13,直至物体实例类别集合中所有物体实例类别的物体实例个数之和超过***设置的待扩展区域物体实例个数最大值后,停止迭代,将物体实例类别集合中每一个物体实例类别和对应的物体实例个数作为一个数据对加入待扩展区域对应的数据对集合T中,使数据对集合T中具有待扩展区域所包含的所有物体实例类别和每种物体实例类别的实例个数;
S2:针对已知地图区域训练GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D;训练过程中所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,不断交替训练使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图;
S3:将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
2.根据权利要求1所述的基于GAN网络的游戏地图自动生成方法,其特征在于,所述的***设置的待扩展区域物体实例个数最大值为已知地图区域的物体实例总个数。
3.根据权利要求1所述的基于GAN网络的游戏地图自动生成方法,其特征在于,所述物体实例类别集合Q中每一个物体实例类别对应的k*应该大于等于1但小于***设置的待扩展区域物体实例个数最大值的五分之一。
4.根据权利要求1所述的基于GAN网络的游戏地图自动生成方法,其特征在于,所述S2的具体实现步骤包括:
S21:获取根据游戏中已知地图区域构建的训练样本,所述训练样本包含m组数据{(X1,T1),(X2,T2),...(Xm,Tm)},其中Xi和Ti分别表示第i个地图和第i个地图对应的所述数据对集合;
式中D(,)表示所述地图判别器的输出结果;
S24:不断重复步骤S22和S23,对所述地图生成器G和地图判别器D进行交替训练,直至GAN网络模型收敛。
5.根据权利要求4所述的基于GAN网络的游戏地图自动生成方法,其特征在于,所述交替训练过程中每训练3~7次地图判别器D后训练1次地图生成器G。
6.根据权利要求4所述的基于GAN网络的游戏地图自动生成方法,其特征在于,步骤S22和S23中采用梯度下降算法优化所述地图生成器G的参数θg和地图判别器D的参数θd。
7.一种基于GAN网络的游戏地图自动生成装置,其特征在于,包括:
数据对集合获取模块,用于根据游戏中已知地图区域出现的物体实例类别和每种类别的实例个数,按照已知地图区域和待扩展区域中物体实例类别相似度最大化的原则,获取待扩展区域对应的数据对集合;其中一个地图区域的所述数据对集合由该地图区域所包含的物体实例类别和每种物体实例类别的实例个数组成;所述获取待扩展区域对应的数据对集合的具体步骤包括:
S12:在包含地图中所有可选物体实例类别的物体实例类别集合C中,选择出一个物体实例类别c*,使该类别的特征向量与所有已出现的类别的特征向量的夹角余弦值之和最大:
S14:不断迭代重复步骤S12至S13,直至物体实例类别集合中所有物体实例类别的物体实例个数之和超过***设置的待扩展区域物体实例个数最大值后,停止迭代,将物体实例类别集合中每一个物体实例类别和对应的物体实例个数作为一个数据对加入待扩展区域对应的数据对集合T中,使数据对集合T中具有待扩展区域所包含的所有物体实例类别和每种物体实例类别的实例个数;
GAN网络模型训练模块,用于针对已知地图区域训练GAN网络模型,所述GAN网络模型包括地图生成器G和地图判别器D,训练过程中所述地图生成器G根据已知地图区域的所述数据对集合生成已知地图区域的伪造地图,再由所述地图判别器D区分已知地图区域的真实地图和伪造地图,从而更新地图生成器G和地图判别器D的参数,使所述地图生成器G能够根据一个地图区域的所述数据对集合生成与真实地图近似的伪造地图;
新地图生成模块,用于将待扩展区域的所述数据对集合输入到经过训练的GAN网络模型中的地图生成器G中,然后将地图生成器G输出的地图作为待扩展区域的新地图进行渲染。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如权利要求1~6任一所述的基于GAN网络的游戏地图自动生成方法。
9.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~6任一所述的基于GAN网络的游戏地图自动生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068756.4A CN114418005B (zh) | 2022-01-21 | 2022-01-21 | 基于gan网络的游戏地图自动生成方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068756.4A CN114418005B (zh) | 2022-01-21 | 2022-01-21 | 基于gan网络的游戏地图自动生成方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418005A CN114418005A (zh) | 2022-04-29 |
CN114418005B true CN114418005B (zh) | 2022-09-20 |
Family
ID=81275157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068756.4A Active CN114418005B (zh) | 2022-01-21 | 2022-01-21 | 基于gan网络的游戏地图自动生成方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418005B (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10614557B2 (en) * | 2017-10-16 | 2020-04-07 | Adobe Inc. | Digital image completion using deep learning |
US11694392B2 (en) * | 2018-05-22 | 2023-07-04 | Apple Inc. | Environment synthesis for lighting an object |
CN109771951B (zh) * | 2019-02-13 | 2022-04-29 | 网易(杭州)网络有限公司 | 游戏地图生成的方法、装置、存储介质和电子设备 |
CN112699717A (zh) * | 2019-10-23 | 2021-04-23 | 中国科学院遥感与数字地球研究所 | 基于gan网络的sar图像生成方法及生成装置 |
EP4115641A1 (en) * | 2020-03-05 | 2023-01-11 | Telefonaktiebolaget LM Ericsson (publ) | Method, electronic device and non-transitory computer-readable storage medium for determining indoor radio transmitter distribution |
CN111625608B (zh) * | 2020-04-20 | 2023-04-07 | 中国地质大学(武汉) | 一种基于gan模型根据遥感影像生成电子地图的方法、*** |
CN111462140B (zh) * | 2020-04-30 | 2023-07-07 | 同济大学 | 一种基于区块拼接的实时图像实例分割方法 |
CN111617467A (zh) * | 2020-04-30 | 2020-09-04 | 珠海网易达电子科技发展有限公司 | 用于生成地图的方法、装置、电子设备和计算机存储介质 |
CN111583141B (zh) * | 2020-04-30 | 2023-05-30 | 山东浪潮科学研究院有限公司 | 一种虚拟现实图像增强方法、装置、设备及存储介质 |
CN111672109B (zh) * | 2020-06-10 | 2021-12-03 | 腾讯科技(深圳)有限公司 | 一种游戏地图生成的方法、游戏测试的方法以及相关装置 |
CN112465970B (zh) * | 2020-11-27 | 2024-03-19 | 北京斯年智驾科技有限公司 | 导航地图构建方法、装置、***、电子装置和存储介质 |
CN113052121B (zh) * | 2021-04-08 | 2022-09-06 | 北京理工大学 | 一种基于遥感影像的多层级网络地图智能生成方法 |
CN113704372B (zh) * | 2021-08-18 | 2024-02-06 | 中国人民解放军国防科技大学 | 基于深度对抗网络的遥感影像转换地图迁移方法和装置 |
CN113920222A (zh) * | 2021-09-13 | 2022-01-11 | 北京三快在线科技有限公司 | 获取地图建图数据的方法、装置、设备及可读存储介质 |
-
2022
- 2022-01-21 CN CN202210068756.4A patent/CN114418005B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114418005A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Improving one-shot nas by suppressing the posterior fading | |
CN111177792B (zh) | 基于隐私保护确定目标业务模型的方法及装置 | |
CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
CN107392312B (zh) | 一种基于dcgan性能的动态调整方法 | |
CN106096727A (zh) | 一种基于机器学习的网络模型构造方法及装置 | |
JP6709718B2 (ja) | 入力パラメータ探索装置、入力パラメータ探索方法、及び入力パラメータ探索プログラム | |
CN110493262B (zh) | 一种改进分类的网络攻击检测方法及*** | |
CN109344969B (zh) | 神经网络***及其训练方法以及计算机可读介质 | |
JP7119820B2 (ja) | 予測プログラム、予測方法および学習装置 | |
CN111949993B (zh) | 模型安全性评估方法、介质、装置和计算设备 | |
CN114418005B (zh) | 基于gan网络的游戏地图自动生成方法、装置、介质及设备 | |
CN110135428A (zh) | 图像分割处理方法和装置 | |
CN113761026A (zh) | 基于条件互信息的特征选择方法、装置、设备和存储介质 | |
CN114070655B (zh) | 网络流量检测规则生成方法及装置、电子设备、存储介质 | |
CN114511760B (zh) | 一种样本均衡方法、装置、设备及存储介质 | |
CN113537461B (zh) | 基于sir值学习的网络关键节点发现方法及*** | |
CN109697511A (zh) | 数据推理方法、装置及计算机设备 | |
Cerezo et al. | Solving Atari Games using fractals and entropy | |
WO2020075462A1 (ja) | 学習器推定装置、学習器推定方法、リスク評価装置、リスク評価方法、プログラム | |
Sharma et al. | LightNet: A Lightweight Neural Network for Image Classification | |
CN111723864A (zh) | 基于主动学习使用互联网图片进行对抗训练的方法及装置 | |
Kinnaird-Heether et al. | Deep social learning in dynamic environments using subcultures and auctions with cultural algorithms | |
CN114723110B (zh) | 一种体声波滤波器自动布局***和电子设备 | |
JP7400855B2 (ja) | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 | |
CN117633541B (zh) | 面向博弈对抗方案评估的参数变量可控式样本生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |