IT之家 1 月 20 日消息，香港大學(xué)攜手快手科技，組建科研團(tuán)隊(duì)，提出名為 GameFactory 的創(chuàng)新框架，目標(biāo)是解決游戲視頻生成中的場景泛化難題。該框架利用在開放域視頻數(shù)據(jù)上預(yù)訓(xùn)練的視頻擴(kuò)散模型，能夠創(chuàng)造全新且多樣化的游戲場景。
項(xiàng)目背景
視頻擴(kuò)散模型已成為強(qiáng)大的視頻生成和物理模擬工具，在游戲引擎開發(fā)方面展現(xiàn)出巨大潛力。這些生成式游戲引擎的功能類似于具有動(dòng)作可控性的視頻生成模型，可以響應(yīng)用戶的鍵盤和鼠標(biāo)等輸入。
該領(lǐng)域的一個(gè)關(guān)鍵挑戰(zhàn)是場景泛化，即創(chuàng)建超越現(xiàn)有場景的新游戲場景的能力。雖然收集大規(guī)模的動(dòng)作標(biāo)注視頻數(shù)據(jù)集是實(shí)現(xiàn)這一目標(biāo)最直接的方法，但這種標(biāo)注成本高昂，對(duì)于開放域場景來說并不實(shí)際，這種局限性阻礙開發(fā)多功能游戲引擎，在生成多樣化和新穎游戲環(huán)境方面面臨諸多挑戰(zhàn)。
現(xiàn)有視頻生成和游戲物理學(xué)領(lǐng)域也涌現(xiàn)了諸多突破方式，其中一個(gè)潛力方向就是視頻擴(kuò)散模型。這些模型已經(jīng)從 U-Net 架構(gòu)發(fā)展到基于 Transformer 的架構(gòu)，從而能夠生成更逼真、時(shí)長更長的視頻。
例如，Direct-a-Video 方法提供了基本的相機(jī)控制，MotionCtrl 和 CameraCtrl 則提供了更復(fù)雜的相機(jī)姿態(tài)操控。
在游戲領(lǐng)域，DIAMOND、GameNGen 和 PlayGen 等各種項(xiàng)目都嘗試了特定于游戲的實(shí)現(xiàn)，但都存在對(duì)特定游戲和數(shù)據(jù)集過度擬合的問題，場景泛化能力有限。
項(xiàng)目介紹
GameFactory 利用預(yù)訓(xùn)練的視頻擴(kuò)散模型，這些模型在開放域視頻數(shù)據(jù)上進(jìn)行訓(xùn)練，使其能夠生成多樣化的游戲場景，突破了現(xiàn)有方法對(duì)特定游戲數(shù)據(jù)集的過度依賴。
此外，為了克服開放域先驗(yàn)知識(shí)與有限游戲數(shù)據(jù)集之間的域差距，GameFactory 采用了一種獨(dú)特的三階段訓(xùn)練策略：
第一階段：使用 LoRA（Low-Rank Adaptation）微調(diào)預(yù)訓(xùn)練模型，使其適應(yīng)目標(biāo)游戲領(lǐng)域，同時(shí)保留大部分原始參數(shù)。
第二階段：凍結(jié)預(yù)訓(xùn)練參數(shù)和 LoRA，專注于訓(xùn)練動(dòng)作控制模塊，避免風(fēng)格與控制的糾纏。
第三階段：移除 LoRA 權(quán)重，保留動(dòng)作控制模塊參數(shù)，使系統(tǒng)能夠在各種開放域場景中生成受控的游戲視頻，而不局限于特定游戲風(fēng)格。
研究還評(píng)估了不同控制機(jī)制的有效性，發(fā)現(xiàn)交叉注意力機(jī)制在處理離散控制信號(hào)（如鍵盤輸入）方面表現(xiàn)優(yōu)于拼接方法，而拼接方法在處理連續(xù)鼠標(biāo)移動(dòng)信號(hào)方面更有效，GameFactory 支持自回歸動(dòng)作控制，能夠生成無限長度的交互式游戲視頻。
研究人員還發(fā)布了高質(zhì)量的動(dòng)作標(biāo)注視頻數(shù)據(jù)集 GF-Minecraft，用于訓(xùn)練和評(píng)估 GameFactory 框架。
IT之家附上參考地址
GameFactory: Creating New Games with Generative Interactive Videos
GameFactory: Leveraging Pre-trained Video Models for Creating New Game
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。