Dissertação
Dual Critic Conditional Wasserstein GAN for Height-Map Generation EVALUATED
Tradicionalmente os mapas para videojogos são feitos à mão, um processo que é ineficiente e custoso em termos laborais. A outra forma comum de fazer estes mapas é através de métodos algorítmicos, com técnicas como PCG, esta abordagem, no entanto tem múltiplas desvantagens: criar o algoritmo que gere estes mapas também é um processo custoso, os resultados são, comparativamente, pouco realísticos e é especialmente díficil criar estruturas geográficas mais complexas, tais como baías, penínsulas ou arquipélagos. Recentemente, alguns estudos focaram-se em usar técnicas de Deep Learning para reproduzir as caraterísticas geográficas presentes na Terra. Esta abordagem, no entanto, tem também as suas desvantagens, principalmente, o facto de retirar controlo ao designer, que deixa de conseguir especificar o conteúdo presente no mapa. Para remediar esta desvantagem propomos um sistema que transforma rascunhos de baixa fidelidade em mapas realísticos através de um modelo de Deep Learning que chamamos de DCCWGAN, proporcionando desta forma resultados de boa qualidade visual sem sacrificar o controlo do utilizador.
novembro 17, 2022, 14:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
