机构名称：
¥ 1.0
水平生成是程序内容产生（PCG）的主要重点，但是基于深度学习的方法受到稀缺培训数据的限制，即人为设计的水平。尽管是一个主导的框架，但生成的对抗网络（GAN）在产生的和人为实现的水平之间表现出很大的质量差距，以及培训成本上升，尤其是随着令牌复杂性的提高。在本文中，我们引入了一个基于扩散的生成模型，该模型仅从一个示例中学习。我们的方法涉及两个核心组成部分：1）有效而表达的水平代码，以及2）具有受限接收场的潜在denoing网络。首先，我们的方法利用令牌标签（类似于单词嵌入）来提供密集的表示。这种策略不仅超过了代表较大游戏水平的一式式编码，而且还可以提高稳定性并加速潜在扩散的收敛性。此外，我们将denoising网络体系结构调整为良好的接收领域，以局部数据的局部贴片，以促进单个例子学习。广泛的实验表明，与手动设计的水平相比，我们的模型能够生成风格一致的任意大小样本。它适合与基于GAN的方法更少的伪像的广泛水平结构。源代码可在https://github.com/shiqi-dai/ diffusioncraft上找到。
从单个示例
主要关键词
相关文件推荐
