PCGPT: Procedural Content Generation via Transformers
Sharif University of Technology（谢里夫理工大学）
针对传统程序化内容生成方法内容重复、一致性差等问题，提出结合离线强化学习与Transformer的PCGPT框架，通过自注意力机制建模轨迹生成游戏内容，在Sokoban游戏上以更少步骤生成更复杂多样的内容，优于现有方法。
2023-10-03 cs.AI cs.LG
The Procedural Content Generation Benchmark: An Open-source Testbed for Generative Challenges in Games
Institute of Digital Games（数字游戏研究所）；University of Malta（马耳他大学）；Game Innovation Lab（游戏创新实验室）；New York University（纽约大学）
本文提出一个包含12个游戏内容生成任务及其变体的开源基准，用于标准化评估生成算法，并通过随机、进化策略和遗传算法三种基线验证了问题难度差异及目标对生成质量、多样性和可控性的影响。
2025-03-28 cs.AI cs.LG
Exploring Level Blending across Platformers via Paths and Affordances
Northeastern University（东北大学）；California State Polytechnic University（加州州立理工大学）；Pomona College（波莫纳学院）
用于经由机器学习（PCGML）的过程内容生成的技术已经被证明对于生成新颖的游戏内容是有用的。虽然主要用于以用于训练的游戏领域的风格产生新内容，但最近的工作越来越多地开始探索通过诸如级别混合和领域转移的技术在新领域中发现和生成内容的方法。在本文中，我们建立在这些作品，并介绍了一种新的PCGML方法，用于生产新颖的游戏内容跨越多个领域。我们使用一个新的启示和路径词汇来编码来自六个不同平台游戏的数据，并在此数据上训练变分自编码器，使我们能够捕获跨越所有域的潜在级别空间，并生成不同域比例的新内容。
2020-08-22 cs.AI cs.LG stat.ML
Procedural 3D Terrain Generation using Generative Adversarial Networks
National Technical University of Athens（雅典国家技术大学）；National Centre for Scientific Research Demokritos（德谟克利特国家科学研究中心）
程序化3D地形生成已经成为开放世界游戏的必需品，因为它可以通过功能上无限数量的不同区域提供无限的内容，供玩家探索。在我们的方法中，我们使用生成对抗网络（GAN）来生成逼真的3D环境，基于卫星或无人机捕获的景观遥感图像的分布。我们的任务包括合成一个随机但合理的RGB卫星图像，并以3D点云的形式生成相应的高度图，该点云将作为景观的适当网格。第一步，我们利用一个用卫星图像训练的GAN，它设法学习数据集的分布，创建新的卫星图像。对于第二部分，我们需要从RGB图像到数字高程模型（DEM）的一对一映射。我们部署了一个条件生成对抗网络（CGAN），这是最先进的图像到图像转换方法，为第一个模型的每个随机生成的图像生成一个合理的高度图。结合生成的DEM和RGB图像，我们能够构建三维场景，包括一个合理的高度分布和着色，在培训期间提供的遥感景观。
2020-10-13 cs.LG eess.IV
Adversarial Reinforcement Learning for Procedural Content Generation
Electronic Arts (EA)（美国艺电）
我们提出了一种新的方法ARLPCG：对抗性强化学习的程序内容生成，程序生成和测试以前看不见的环境与辅助输入作为控制变量。在新的环境中训练RL代理是一项非常困难的任务。一种流行的方法是程序化地生成不同的环境，以增加受过训练的代理的泛化能力。ARLPCG部署了一个对抗模型，其中包含一个PCG RL代理（称为Generator）和一个求解RL代理（称为Solver）。生成器根据求解器的性能接收奖励信号，这鼓励环境设计具有挑战性但并非不可能。为了进一步推动环境生成的多样性和控制，我们建议使用发电机的辅助输入。好处是双重的：首先，求解器通过生成器生成的挑战实现了更好的泛化。其次，经过训练的生成器可以用作新环境的创建者，这些环境与求解器一起可以被证明是可解的。我们创建了两种类型的3D环境来验证我们的模型，代表两种流行的游戏类型：第三人称平台游戏和赛车游戏。在这些情况下，我们表明，ARLPCG有一个显着更好的解决率，并在一定程度上的辅助输入，使水平创建可控。有关结果的视频汇编，请访问https://youtu.be/z7q2PtVsT0I。
2021-06-10 cs.AI cs.LG
PCGRL: Procedural Content Generation via Reinforcement Learning
New York University（纽约大学）
我们研究如何强化学习可以用来训练水平设计代理。这代表了游戏中程序化内容生成的一种新方法，其中关卡设计被框定为游戏，内容生成器本身是学习的。通过将设计问题视为一个顺序任务，我们可以使用强化学习来学习如何采取下一个行动，以便最大限度地提高预期的最终水平质量。当存在很少或不存在用于训练的示例时，可以使用这种方法，并且训练的生成器非常快。我们研究了三种不同的方式将二维水平设计问题转化为马尔可夫决策过程，并将其应用于三个游戏环境。
2020-08-13 cs.AI cs.LG stat.ML
Tabletop Roleplaying Games as Procedural Content Generators
University of Alberta（阿尔伯塔大学）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Queen Mary University of London（伦敦玛丽女王大学）；Södertörn University（瑟德通大学）；University of Malta（马耳他大学）；Georgia Institute of Technology（佐治亚理工学院）
桌面角色扮演游戏（TTRPG）和程序内容生成器都可以被理解为用于生成内容的规则系统。在本文中，我们认为，TTRPG设计可以有效地被视为程序内容生成器的设计。我们提出了几个案例研究链接的关键概念，从PCG研究-包括可能性空间，表达范围分析，生成管道-在TTRPG设计的关键概念。然后，我们讨论了这些关系的影响，并提出了未来的工作方向，团结在TTRPGs和PCG的研究。
2020-07-15 cs.AI
Procedural Content Generation for GDL Descriptions of Simplified Boardgames
University of Wrocław（弗罗茨瓦夫大学）
我们目前的初步研究，对程序生成的简化棋盘游戏，并将其转换成一个有效的GDL代码。这是建立简化棋盘游戏作为一般游戏代理的比较类的一步。为了生成可玩的，人类可读的，平衡的国际象棋游戏，我们使用了自适应进化算法的适应功能的基础上模拟播放。在未来，我们计划使用所提出的方法来多样化和扩展的GGP锦标赛游戏的那些完全自动生成的规则。
2015-08-02 cs.AI
The Quest for Content: A Survey of Search-Based Procedural Content Generation for Video Games
University College of London（伦敦大学学院）；Universidad San Jorge（圣豪尔赫大学）
针对视频游戏内容制作成本高的问题，本文综述2011-2022年基于搜索的程序内容生成（SBPCG）领域研究，梳理现状、指出挑战，为从业者提供建议并明确未来研究方向。
2023-11-08 cs.AI cs.SE
Intelligent Physiotherapy Through Procedural Content Generation
Department of Computing & Technology（计算与技术系）；Anglia Ruskin University（安格利亚鲁斯金大学）
本文介绍了一种途径，人工和计算智能技术应用于游戏研究部署的物理治疗的目的。我们提供了一个概述的原型研究集中在运动传感器输入设备和虚拟现实设备的运动损伤的康复的一个典型的问题，病人的创伤性脑损伤的应用。我们强调了程序内容生成和球员建模的进步如何通过提高康复计划的质量和衡量患者的表现来刺激这一领域的发展。
2018-04-25 cs.AI
Arachnophobia Exposure Therapy using Experience-driven Procedural Content Generation via Reinforcement Learning (EDPCGRL)
University of Alberta（阿尔伯塔大学）
个性化治疗，其中治疗实践适合个别患者，导致更好的健康结果。通常，这是通过依赖治疗师的训练和直觉以及患者的反馈来实现的。虽然存在自动使治疗内容适应患者的方法，但它们依赖于手工编写的预定义规则，这些规则可能无法推广到所有个体。在本文中，我们提出了一种方法来自动适应治疗内容的基础上，患者的生理措施。我们在蜘蛛恐惧症暴露疗法的背景下实施我们的方法，并依靠经验驱动的程序内容生成通过强化学习（EDPCGRL）生成虚拟蜘蛛来匹配单个患者。在这个初始实现中，由于正在进行的大流行，我们使用基于先前蜘蛛恐惧症心理学研究实现的虚拟或人造人。与现有的基于搜索的EDPCG方法相比，我们的EDPCGRL方法能够更快地适应这些虚拟人，具有高准确性。
2021-10-07 cs.AI cs.CY cs.LG
Procedural Content Generation using Behavior Trees (PCGBT)
Northeastern University（东北大学）
行为树（BTs）是一种流行的建模NPC和敌人AI行为的方法，并已被广泛应用于商业游戏。在这项工作中，而不是使用BT模型玩游戏的代理，我们使用它们来建模游戏设计代理，定义行为的内容生成任务，而不是在游戏中的行动。类似于传统BT如何以模块化和动态的方式对行为进行建模，用于PCG的BT使用于生成级别的部分的简单子树能够模块化地组合以形成用于生成整个级别的复杂树以及可以动态地改变所生成的内容的生成器。我们将这种方法称为使用行为树的程序内容生成，或PCGBT，并通过使用BT为超级马里奥兄弟建模生成器来演示它，洛克人和银河战士的水平以及地牢布局，并讨论了几种方式，这种模式可以应用和扩展在未来。
2021-10-08 cs.AI
Procedural Content Generation through Quality Diversity
University of Malta（马耳他大学）；New York University（纽约大学）
质量多样性（QD）算法搜索一组好的解决方案，覆盖的空间定义的行为度量。这种同时关注质量和多样性与明确的指标集QD算法除了标准的单目标和多目标进化算法，以及从多样性保护方法，如小生境。这些属性为游戏中的人工智能开辟了新的途径，特别是对于程序内容生成。创建多个系统性变化的解决方案可以为创造性的人机交互和适应性提供新的方法。在过去的几年中，一些应用程序的QD程序的内容生成和玩游戏已经提出，我们讨论这些问题，并提出未来工作的挑战。
2019-07-09 cs.AI cs.NE
Combining Evolutionary Search with Behaviour Cloning for Procedurally Generated Content
University of the Witwatersrand（金山大学）
在这项工作中，我们考虑的问题，视频游戏水平的程序内容生成。先前的方法依赖于能够生成不同级别的进化搜索（ES）方法，但是这种生成过程很慢，这在实时设置中是有问题的。强化学习（RL）也被提出来解决同样的问题，虽然水平生成速度很快，但训练时间可能非常昂贵。我们提出了一个框架来解决程序内容生成问题，结合了最好的ES和RL。特别是，我们的方法首先使用ES生成一系列的水平随着时间的推移而演变，然后使用行为克隆将这些水平的策略，然后可以查询，以快速产生新的水平。我们将我们的方法应用于迷宫游戏和超级马里奥兄弟，我们的结果表明，我们的方法实际上减少了级别生成所需的时间，特别是当需要越来越多的有效级别时。
2022-07-29 cs.AI
Adapting Procedural Content Generation to Player Personas Through Evolution
INESC-ID（INESC-ID 研究所）；Instituto Superior Técnico, Univ. de Lisboa（里斯本大学高等技术学院）；Norwegian University of Science and Technology（挪威科技大学）；Leiden University（莱顿大学）
自动调整游戏内容以适应玩家为游戏开发打开了新的大门。在本文中，我们提出了一个架构，使用角色代理和经验指标，这使得不断发展的程序生成的水平为特定的球员角色。使用我们的游戏，“坟墓狂欢”，我们证明了这种方法成功地适应四个基于规则的角色代理在三个不同的经验指标。此外，适应性被证明是具体的性质，这意味着水平是个人意识，而不仅仅是一般的优化方面所选择的指标。
2021-12-07 cs.AI cs.HC
A modular framework for automated evaluation of procedural content generation in serious games with deep reinforcement learning agents
National Technical University of Athens（雅典国家技术大学）；Maastricht University（马斯特里赫特大学）
本文提出一种结合深度强化学习游戏测试智能体的模块化框架，用于自动评估严肃游戏中的程序化内容生成，并通过三种 NPC 生成版本验证了遗传算法版本在胜率和训练时间上优于随机生成版本。
2025-07-13 cs.AI cs.LG
IPCGRL: Language-Instructed Reinforcement Learning for Procedural Level Generation
Gwangju Institute of Science and Technology (GIST), South Korea（全州科学技术学院（GIST））；Dongseo University, South Korea（东国大学）
针对文本指令驱动的程序化内容生成问题，提出结合句子嵌入与强化学习的 IPCGRL，通过任务特定嵌入微调提升关卡生成的可控性与未见指令泛化能力。
2025-07-24 cs.AI cs.CL cs.LG
Learning-Based Procedural Content Generation
The University of Manchester（曼彻斯特大学）
过程内容生成是近年来计算智能和人工智能游戏研究的热点之一。在众多的PCG技术中，基于搜索的方法是目前PCG研究的主流。虽然SBPCG导致有希望的结果和成功的应用，它提出了一些挑战，从表示到正在生成的内容的评估。在本文中，我们提出了一个替代的通用PCG框架，命名为基于学习的过程内容生成（LBPCG），提供潜在的解决方案，在现有的PCG技术的几个具有挑战性的问题。通过探索和利用在游戏开发和公共β测试中获得的信息，通过数据驱动学习，我们的框架可以生成适合最终用户或目标玩家在线的健壮内容，同时最大限度地减少对他们体验的干扰。此外，我们开发使能技术来实现我们的框架中所需的各种模型。为了验证概念，我们开发了一个基于经典开源第一人称射击游戏Quake的原型。模拟结果表明，我们的框架是有前途的生成高质量的内容。
2013-10-09 cs.AI cs.HC cs.LG
Procedural Content Metageneration via Program Search and Continual Abstraction Discovery
New York University（纽约大学）；University of Malta（马耳他大学）
该研究在推箱子等4款游戏中，提出持续抽象发现（CAD）方法，结合2×2实验，证实其可提升进化程序搜索的适应度，且学习到的库能被后续程序复用。
2026-08-19 cs.AI cs.LG cs.NE
Generating Real-Time Strategy Game Units Using Search-Based Procedural Content Generation and Monte Carlo Tree Search
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
实时的【形】策略（RTS）游戏单元生成是程序化内容生成（PCG）研究中一个尚未探索的领域，如何自动生成有趣且平衡的单元是一个尚未解决的问题。在设计RTS游戏时，创建独特而平衡的单位可能是一项艰巨的任务，即使对人类来说也是如此。拥有一种自动化的设计单元的方法可以帮助开发人员加快创建过程，并找到新的想法。在这项工作中，我们提出了一种生成平衡和有用的RTS单元的方法。我们利用基于搜索的PCG和基于蒙特卡罗树搜索（MCTS）的适应度函数。我们提出了十个单位，我们的系统设计用于游戏microRTS，以及结果表明，这些单位是独特的，有用的，和平衡的。
2022-12-07 cs.AI
Tools for Landscape Analysis of Optimisation Problems in Procedural Content Generation for Games
TH Köln – University of Applied Sciences（科隆应用技术大学）；TU Dresden（德累斯顿工业大学）；Jožef Stefan Institute（约泽夫·斯特凡研究所）
程序内容生成（PCG）是指通过算法手段（半）自动生成游戏内容，其方法在面向游戏的研究和行业中越来越受欢迎。这些方法中的一个特殊类别，通常称为基于搜索的PCG，将给定的任务视为优化问题。这些问题主要是由进化算法来解决的。我们将在本文中证明，获得更多的信息，所定义的优化问题，可以大大提高我们的理解，如何处理生成的内容。要做到这一点，我们提出并讨论了三个有效的分析工具，即对角线行走，估计高层次的属性，以及问题的相似性措施。我们讨论了PCG背景下每个考虑的方法的目的，并为解释收到的结果提供指导方针。通过这种方式，我们的目标是提供比较PCG方法的方法，并最终提高行业中生成内容的质量和实用性。
2023-02-16 cs.AI
Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration
University of Calgary（卡尔加里大学）
本文综述了游戏程序化内容生成中的各类算法，重点分析大语言模型带来的变革，比较不同方法及其生成内容类型，并指出研究空白与未来方向。
2024-10-21 cs.AI
Procedural Content Generation via Machine Learning (PCGML)
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Drexel University（德雷塞尔大学）；Georgia Institute of Technology（佐治亚理工学院）；Duck and Cover Games ApS；Northeastern University（东北大学）；New York University（纽约大学）
本调查探讨了通过机器学习（PCGML）生成程序内容，PCGML定义为使用在现有内容上训练的机器学习模型生成游戏内容。随着PCG对游戏开发的重要性的增加，研究人员探索新的途径来生成高质量的内容，无论是否有人类参与;本文讨论了使用机器学习的相对较新的范例（与基于搜索，基于求解器和建设性的方法相比）。我们专注于最常被认为是功能性的游戏内容，如平台游戏关卡、游戏地图、互动小说故事和可收集的纸牌游戏中的纸牌，而不是像精灵和音效这样的装饰性内容。除了使用PCG进行自主生成，共同创造，混合主动设计和压缩之外，PCGML还适合修复，评论和内容分析，因为它专注于对现有内容进行建模。我们讨论了影响生成内容的各种数据源和表示。涵盖了多种PCGML方法，包括神经网络，长短期记忆（LSTM）网络，自动编码器和深度卷积网络;马尔可夫模型，$n$ -gram和多维马尔可夫链;聚类;和矩阵分解。最后，我们讨论了PCGML应用中的开放性问题，包括从小数据集学习，缺乏训练数据，多层学习，风格转移，参数调整和PCG作为一个游戏机制。
2018-05-07 cs.AI
Dynamic Difficulty Adjustment in Virtual Reality Exergames through Experience-driven Procedural Content Generation
University of Augsburg（奥格斯堡大学）
虚拟现实（VR）游戏的特点是体育活动已被证明可以增加玩家的动机做体育锻炼。然而，为了使这种运动具有积极的保健效果，他们必须每周重复几次。为了在更长的时间内保持玩家的动力，游戏通常采用动态难度调整（DDA）来根据玩家的能力调整游戏的挑战。对于运动游戏，这主要是通过调整特定的游戏参数来完成的，比如物体的速度。在这项工作中，我们建议在VR运动游戏中使用经验驱动的DDA程序内容生成，通过程序生成与玩家当前能力相匹配的级别。不仅微调特定的参数，而且创造全新的水平，有可能在更长的时间内减少重复，并允许同时适应exergame的认知和身体挑战。作为概念验证，我们实现了一个初始原型，其中玩家必须穿越一个迷宫，其中包括几个健身房，从而产生的迷宫是由一个神经网络实现的。通过这些健身房需要球员进行身体活动。为了匹配玩家的能力，我们使用深度强化学习来调整迷宫的结构，并决定迷宫中包括哪些练习室。我们评估我们的原型在探索性的用户研究，利用生物数据和主观问卷调查。
2021-08-19 cs.AI cs.HC cs.LG
Procedural Content Generation via Knowledge Transformation (PCG-KT)
Khoury College of Computer Sciences, Northeastern University（东北大学库利计算机学院）；Department of Computing Science, Alberta Machine Learning Institute, University of Alberta（阿尔伯塔大学阿尔伯塔机器学习研究所计算科学系）；College of Science, California State Polytechnic University, Pomona（加州州立理工大学波莫纳分校理学院）；Northeastern University（东北大学）；Department of Computer Science, Worcester Polytechnic Institute（伍斯特理工学院计算机科学系）
本文提出PCG-KT新框架，从知识变换视角归类复用跨域知识的PCG方法，给出定义并综述现有工作，同时指出未来研究方向。
2023-05-01 cs.AI
GameTileNet: A Semantic Dataset for Low-Resolution Game Art in Procedural Content Generation
GameTileNet通过视觉-语言对齐任务，为低分辨率游戏艺术提供语义标注，以支持基于叙事的程序化内容生成。
2025-12-31 cs.AI cs.CL cs.CV
Automated Playtesting with Procedural Personas through MCTS with Evolved Heuristics
Northeastern University（东北大学）；New York University（纽约大学）；University of Malta（马耳他大学）
本文描述了一种生成式玩家建模方法及其在游戏内容自动测试中的应用，该方法使用称为程序角色的原型玩家模型。在心理决策理论的理论基础上，程序人物角色的实现使用蒙特卡罗树搜索（MCTS）的变化，其中节点选择标准的开发使用演化计算，取代标准的UCB 1标准的MCTS。使用这些人物角色，我们演示了如何生成的球员模型可以应用到不同的语料库的游戏水平，并演示了如何不同的游戏风格，可以制定在每个级别。简而言之，我们使用人工智能人物角色来构建合成游戏测试员。所提出的方法可以被用作自动播放测试时，人类的反馈是不容易获得的，或者当潜在的互动是必要的快速可视化的工具。可能的应用包括游戏开发期间的交互式工具或程序内容生成系统，其中必须在短时间内进行许多评估。
2018-02-19 cs.AI
Zero-shot 3D Map Generation with LLM Agents: A Dual-Agent Architecture for Procedural Content Generation
本文提出一种双代理架构，利用LLM代理实现无监督3D地图生成，通过迭代推理优化参数配置，提升PCG指令遵循能力。
2025-12-12 cs.AI
Increasing Generality in Machine Learning through Procedural Content Generation
IT University of Copenhagen（哥本哈根信息技术大学）；New York University（纽约大学）
程序内容生成（PCG）是指在电子游戏和其他游戏中，通过算法生成诸如关卡、任务或角色等内容的实践。出于使游戏可重玩以及减少创作负担、限制存储空间要求和实现特定美学的需要，游戏开发者已经设计了大量的PCG方法。此外，研究人员还探索了从机器学习、优化和约束求解到PCG问题的适应方法。自该领域成立以来，游戏一直被广泛用于人工智能研究，近年来已被用于开发和基准测试新的机器学习算法。通过这种实践，已经变得更加明显的是，这些算法容易过拟合。通常，算法不会学习通用策略，而是学习仅适用于具有特定初始参数的特定任务的特定版本的策略。作为回应，研究人员已经开始探索问题参数的随机化，以抵消这种过度拟合，并允许经过训练的策略更容易地从一个环境转移到另一个环境，例如从模拟机器人转移到现实世界中的机器人。在这里，我们回顾了大量现有的工作PCG，我们相信有一个重要的作用，在增加机器学习方法的通用性。这里的主要目标是向RL/AI展示PCG工具箱中的新工具，其次是向游戏开发人员和研究人员解释他们的工作与AI研究相关的方式。
2020-03-16 cs.AI
ChatPCG: Large Language Model-Driven Reward Design for Procedural Content Generation
AI Graduate School（AI研究生院）；School of Integrated Technology（融合技术学院）；Gwangju Institute of Science and Technology (GIST)（光州科学技术院）
针对游戏AI奖励设计依赖人类专家的问题，提出大语言模型驱动的奖励设计框架ChatPCG，结合游戏专业知识自动生成定制奖励，集成深度强化学习可实现多人游戏内容生成，简化游戏AI开发流程。
2024-06-07 cs.AI
Zero-Shot Reasoning: Personalized Content Generation Without the Cold Start Problem
Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）；Faculty of Arts, University of Ljubljana（卢布尔雅那大学艺术学院）
本文提出利用大语言模型基于个体玩家游戏数据零样本生成个性化关卡，以规避传统程序化内容生成的冷启动与高成本问题，并在生产环境中验证其降低玩家中途退出概率的效果优于传统方法。
2024-06-28 cs.AI
DI-PCG: Diffusion-based Efficient Inverse Procedural Content Generation for High-quality 3D Asset Creation
ARC Lab, Tencent PCG（腾讯平台与内容事业群ARC实验室）；VAST（VAST机构）；Tsinghua University（清华大学）
本文提出DI-PCG，一种基于轻量级扩散transformer的逆向过程化内容生成方法，将PCG参数作为去噪目标、观测图像作为条件，仅需7.6M参数和30 GPU小时即可高效准确地恢复参数并泛化至野外图像，为图像到3D生成提供了新路径。
2024-12-19 cs.AI cs.CV cs.GR
High Dimensional Procedural Content Generation
McGill University（麦吉尔大学）
高维程序化内容生成通过引入非几何游戏维度作为联合状态空间的一级坐标，提升可控性和表现力，实现更广泛的游戏机制生成。
2026-02-21 cs.AI
PCGRLLM: Large Language Model-Driven Reward Design for Procedural Content Generation Reinforcement Learning
Gwangju Institute of Science and Technology（光州科学技术院）；New York University（纽约大学）；Corresponding author（通讯作者）
提出PCGRLLM架构，利用大语言模型和反馈机制生成奖励函数，在二维环境中实现故事到奖励的生成，性能接近人类水平。
2026-05-25 cs.AI
'That Darned Sandstorm': A Study of Procedural Generation through Archaeological Storytelling
Queen Mary University of London（伦敦玛丽女王大学）；King’s College London（伦敦国王学院）
本文通过一款名为《Nothing Beside Remains》的生成式考古游戏，研究程序化生成环境的叙事可供性，并基于187名玩家的调查数据，初步分析了有意引导玩家解读的效果及一个故障带来的意外影响。
2023-04-17 cs.AI
From LLM-Driven Trading Card Generation to Procedural Relatedness: A Pokémon Case Study
Utrecht University（乌特雷赫大学）
本文探讨利用大语言模型和图像扩散模型生成卡牌内容，通过个性化无限卡牌设计解决传统卡牌游戏的重复性和玩家体验问题，展示动态个性化生成方法及过程相关性的潜力。
2026-04-30 cs.AI cs.HC
Believable Minecraft Settlements by Means of Decentralised Iterative Planning
LIACS, Universiteit Leiden（莱顿大学莱顿计算机科学与先进计算研究所）
本文提出一种去中心化迭代规划方法，用于在Minecraft中生成可信且适应随机地形的聚落，并凭借该方法赢得GDMC 2022竞赛，且可迁移至其他程序化生成任务。
2023-09-19 cs.AI
Human-Aligned Procedural Level Generation Reinforcement Learning via Text-Level-Sketch Shared Representation
Gwangju Institute of Science and Technology（光州科学技术学院）
研究如何在过程级生成强化学习中实现人类对齐，提出VIPCGRL框架，整合文本、关卡和草图模态，通过四重对比学习训练共享嵌入空间，基于嵌入相似度调整策略，实验证明该框架在类人性上优于现有基线。
2026-07-20 cs.AI
Procedural Game Level Design with Deep Reinforcement Learning
Istanbul Technical University Artificial Intelligence（伊斯坦布尔技术大学人工智能）
本研究提出一种基于深度强化学习的程序化游戏关卡设计方法，通过蜂鸟与浮岛两个智能体协同训练，实现自动生成并求解3D环境中的关卡布局，验证了DRL在自主游戏设计中的潜力。
2025-10-16 cs.AI
CityX: Controllable Procedural Content Generation for Unbounded 3D Cities
University of Chinese Academy of Sciences（中国科学院大学）；China University of Geosciences (Beijing)（中国地质大学（北京））；Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；Shandong University（山东大学）；University of Science and Technology Beijing（北京科技大学）
针对现有3D城市生成方法在多样性、可控性、保真度上的不足，提出CityX框架，基于统一PCG插件库和多智能体系统，将多模态指令转化为可执行程序生成可控高保真3D城市，可服务于具身智能研究。
2024-12-09 cs.AI cs.CV
Online Game Level Generation from Music
Southern University of Science and Technology（南方科技大学）
游戏由多种类型的内容组成，而不同内容类型之间的协调在游戏设计中起着至关重要的作用。然而，大多数关于过程内容生成的作品一次只考虑一种类型的内容。在本文中，我们提出并制定了在线水平生成的音乐，在一种方式匹配的水平功能的音乐功能，在实时的，同时适应玩家的播放速度。基于经验驱动的强化学习和可控的强化学习，提出了一种基于强化学习的在线播放器自适应过程内容生成（OPARL）的通用框架，实现了音乐的在线水平生成。此外，一种新的控制策略，基于本地搜索和k-近邻的建议，并集成到OPARL控制的水平发生器考虑在线收集的播放数据。基于模拟的实验结果表明，我们的OPARL的实现是称职的，以产生可玩的水平与难度相匹配的“能源”动态的音乐为不同的人工球员在网上的时尚。
2022-07-12 cs.AI
$I^2G$: Generating Instructional Illustrations via Text-Conditioned Diffusion
University of Rochester（罗切斯特大学）
提出语言驱动框架，将程序性文本分解为目标与步骤，通过成分解析、话语连贯模型及新评估协议，在三个数据集上显著优于基线，生成准确反映指令的视觉内容。
2025-05-22 cs.AI cs.CL
Modular Procedural Generation for Voxel Maps
University of Arizona（亚利桑那大学）
在Minecraft中开发的任务环境在人工智能（AI）研究中越来越受欢迎。然而，目前大多数这些是手动构建的，因此未能利用程序内容生成（PCG），一个独特的虚拟任务环境的能力。在本文中，我们提出了mcg，一个开源库，以促进实现PCG算法的基于体素的环境，如Minecraft。该库的设计考虑到人机协作研究，因此采取“自上而下”的生成方法，同时生成适合实证研究的低级和高级机器可读表示。这些可以被考虑人类空间认知的下游人工智能应用程序使用。这种方法的好处包括快速、可扩展和有效地开发虚拟环境，在语义级别控制环境统计的能力，以及响应玩家实时的动作生成新环境的能力。
2021-04-18 cs.AI
Game Generation via Large Language Models
Southern University of Science and Technology（南方科技大学）
本文提出基于LLM的框架，利用视频游戏描述语言同时生成游戏规则与关卡，扩展了LLM在程序化内容生成领域的应用。
2024-05-30 cs.AI
PANGeA: Procedural Artificial Narrative using Generative AI for Turn-Based Video Games
Southern Methodist University Guildhall（南卫理公会大学Guildhall）
本研究提出PANGeA框架，在游戏设计师准则引导下利用大语言模型生成回合制RPG叙事内容，通过验证系统和定制记忆机制保障叙事一致性，支持多引擎与多类LLM集成，实验验证了其应对自由形式输入时的叙事生成能力。
2024-07-09 cs.AI cs.CL
3Dify: a Framework for Procedural 3D-CG Generation Assisted by LLMs Using MCP and RAG
Graduate School of Informatics（信息科学研究生学校）；Nagoya University（名古屋大学）；Research Institute for Information Technology（信息科学技术研究所）
本研究提出3Dify框架，基于Dify结合MCP、RAG等技术，通过自然语言指令驱动DCC工具生成3D-CG，支持CUA操作GUI、偏好反馈优化、本地LLM集成，降低生成成本。
2025-10-06 cs.AI cs.CV cs.GR
Learning to Generate Levels From Nothing
TheTake（TheTake公司）；New York University（纽约大学）
用于过程内容生成的机器学习最近已成为一个活跃的研究领域。关卡的形式和功能各不相同，而且在游戏中彼此之间大多不相关。这使得很难组装合适的大数据集，以将机器学习引入关卡设计，就像它用于图像生成一样。在这里，我们提出了生成式游戏网络，它为自己设计了游戏级别。该算法由内置的两部分组成：一个学习玩游戏关卡的智能体和一个学习可玩关卡分布的生成器。随着智能体学习和提高其能力，由智能体定义的可玩级别的空间会增长。生成器以智能体的可玩性估计为目标，然后更新其对构成可玩级别的内容的理解。我们称这个学习过程为通过环境自我发现发现的数据分布，自我监督归纳学习。与以前的程序化内容生成方法不同，生成播放网络是端到端可区分的，不需要人类设计的示例或领域知识。我们证明了这个框架的能力，通过训练一个代理和水平生成器的2D地牢爬虫游戏。
2021-08-09 cs.AI cs.LG
Why Oatmeal is Cheap: Kolmogorov Complexity and Procedural Generation
Queen Mary of London（伦敦玛丽女王大学）；King’s College London（伦敦国王学院）
该研究将信息论理论与游戏内容生成结合，证明生成器可产出的最复杂制品的Kolmogorov复杂度与其可能性空间大小相关，明确了生成器编码知识、输出空间密度与制品复杂度的制约关系，并用实例和设计者经验佐证。
2023-05-03 cs.AI cs.HC cs.IT
Reinforcement Learning-Enhanced Procedural Generation for Dynamic Narrative-Driven AR Experiences
University of California, Santa Cruz（加州大学圣克鲁兹分校）
针对 WFC 难以适配动态叙事 AR 场景的问题，本文提出融合环境规则与 RL 动态图块权重调整的增强型 WFC 框架，实验证明其地图质量与沉浸感更优。
2025-03-13 cs.AI cs.GR cs.HC
Evolutionary Level Repair
Institute of Digital Games（数字游戏研究所）；Game Innovation Lab（游戏创新实验室）
本文研究游戏关卡修复问题，通过进化算法和质量多样性算法等基于搜索的方法修复PCGML生成的风格相符但存在缺陷的关卡，提出了一种结合PCGML生成与搜索修复的混合程序化内容生成方法。
2025-06-24 cs.AI
Toward Co-creative Dungeon Generation via Transfer Learning
University of Alberta（阿尔伯塔大学）
通过机器学习（PCGML）进行的协同创意过程内容生成是指PCGML代理和人类一起工作以产生输出内容的系统。协同创造PCGML的局限性之一是它需要协同创造的训练数据来让PCGML代理学习与人类交互。然而，获取这些数据是一个困难和耗时的过程。在这项工作中，我们提出了近似人类-AI交互数据，并采用迁移学习将学习到的共同创造知识从一个游戏适应到另一个游戏。我们探索这种方法的共同创造塞尔达地牢房间的一代。
2021-07-27 cs.AI cs.LG
Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems
Meta
本文提出“保持相关性”这一基于调查的反馈度量，直接评估用户回访意图，经心理测量验证并在大规模离线与在线实验中证明其能显著优于传统参与信号，提升次日留存与参与度，减少低质量内容曝光。
2025-10-08 cs.AI cs.HC cs.IR
WeatherDG: LLM-assisted Diffusion Model for Procedural Weather Generation in Domain-Generalized Semantic Segmentation
University of Leeds（利兹大学）；Carnegie Mellon University（卡内基梅隆大学）
WeatherDG利用Stable Diffusion与LLM协同生成天气多样的驾驶图像，通过程序化提示和均衡生成策略提升域泛化语义分割性能，在Cityscapes到ACDC上使HRDA的mIoU提升13.9%。
2024-12-30 cs.AI cs.CV
Word2World: Generating Stories and Worlds through Large Language Models
University of the Witwatersrand（金山大学）；New York University（纽约大学）
针对预训练大语言模型直接生成游戏关卡难度大的问题，提出无需任务微调的Word2World系统，结合LLM内容创作与信息提取能力生成游戏故事、叙事及可游玩关卡，经多模型测试与消融实验验证，代码已开源。
2024-05-06 cs.AI cs.CL
