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
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
Procedural content generation of puzzle games using conditional generative adversarial networks
IT University of Copenhagen（哥本哈根信息技术大学）
本文提出使用参数化GANs为益智游戏Lily's Garden生成关卡，通过提取两个条件向量控制输出细节，发现GANs能较好近似地图形状但难以近似棋子分布，并建议尝试替代架构以改善此问题。
2023-06-26 cs.AI cs.LG
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
Pairing Analogy-Augmented Generation with Procedural Memory for Procedural Q&A
Université de Montréal & Mila（蒙特利尔大学及Mila）；Thales Canada（加拿大泰雷兹公司）；Canada CIFAR AI Chair（加拿大CIFAR人工智能 chair）
针对大模型处理复杂过程任务时难以整合信息的问题，提出过程知识数据集LCStep及类比增强生成方法AAG，利用过程记忆库检索调整领域知识，在多个数据集上优于基线方法。
2024-10-21 cs.AI cs.CL
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
Addressing the Abstraction and Reasoning Corpus via Procedural Example Generation
Institute of Neuroinformatics, University of Zurich and ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）
本研究针对ARC基准训练任务样例少、多样性有限的问题，通过逆向推导样例分布构建程序化生成器，解除原始样例的不必要约束以扩充样例空间，为在该基准上取得突破提供实验支撑。
2024-04-10 cs.AI cs.LG
Procedural Generation of Angry Birds Levels using Building Constructive Grammar with Chinese-Style and/or Japanese-Style Models
Interculture Language Academy（国际语学学院）；Ritsumeikan University（立命馆大学）
本文提出了一种程序化的生成方法，创建具有视觉吸引力的愤怒的小鸟游戏的水平。除了是一款非常受欢迎的手机游戏外，《愤怒的小鸟》最近还成为了各种人工智能技术的试验台。我们提出了一种新的方法，使用中国风格和日本风格的建筑结构程序生成愤怒的小鸟水平。进行的实验证实了我们的方法的有效性与统计意义。
2016-04-27 cs.AI cs.HC
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
DiscoGen: Procedural Generation of Algorithm Discovery Tasks in Machine Learning
University of Oxford（牛津大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；University College London（伦敦大学学院）；University of Wisconsin--Madison（威斯康星大学麦迪逊分校）；Delft University of Technology（代尔夫特理工大学）
DiscoGen通过程序生成技术创建大量机器学习算法发现任务，用于优化算法发现代理，提供固定子集用于评估，并推动新的研究方向。
2026-06-28 cs.AI cs.LG
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
Procedural generation of meta-reinforcement learning tasks
ML Collective（机器学习联盟）
针对元强化学习环境数量有限的问题，本文提出一种可随机生成任意数量新型任务的参数化空间，能涵盖经典任务并扩展到二维拓扑域。
2023-12-09 cs.AI cs.LG
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
ProjAgent: Procedural Similarity Retrieval for Repository-Level Code Generation
University of California, Irvine（加州大学伊文斯分校）
研究仓库级代码生成问题，提出ProjAgent系统，将目标函数分解为中间推理步骤，通过代理工作流程检索相似过程行为的函数，结合语义检索构建丰富上下文，并利用静态分析反馈循环修复代码，实验表明该方法有效。
2026-07-10 cs.AI cs.IR cs.SE
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
Pro-DG: Procedural Diffusion Guidance for Architectural Facade Generation
Warsaw University of Technology（华沙技术大学）；Akces NCBR；Imperial College London（伦敦帝国理工学院）；New Jersey Institute of Technology（新泽西理工学院）
本文提出Pro-DG方法，通过层次化过程规则生成控制图，实现建筑立面的真实感生成，支持结构编辑如楼层复制和窗户重排，经评估验证其在保持建筑身份和精确编辑方面的优越性。
2026-05-14 cs.AI cs.CV cs.GR
Generative Forensics: Procedural Generation and Information Games
Queen Mary University of London（伦敦玛丽女王大学）
程序生成在游戏设计中被用来实现各种各样的目的，并通过将变化，惊喜或不可预测性注入其他静态设计而导致了几个游戏子类型的创建。信息游戏是一种神秘游戏，玩家的任务是收集知识并了解事件或系统。他们对玩家知识的依赖使他们容易受到破坏者的攻击，并且很难重播。在本文中，我们介绍了生成取证游戏的概念，信息游戏的一个子类型，挑战玩家理解生成系统的输出。我们介绍信息游戏，展示生成取证如何发展的想法，报告我们创建的两个原型游戏，并评估我们的工作生成取证到目前为止，从玩家和设计师的角度来看。
2020-04-03 cs.AI
Procedural Generation of Initial States of Sokoban
Universidade Federal de Viçosa（维索萨联邦大学）；Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）
状态空间搜索问题的初始状态的过程生成在人类和机器学习以及规划系统的评估中有应用。在本文中，我们处理的任务，产生硬和可解的初始状态的推箱子难题。我们提出了基于模式数据库的硬度度量，并使用新颖性来改善搜索方法在生成初始状态的任务中的探索。然后，我们提出了一个名为Beta的系统，它使用我们的硬度指标和新颖性来生成初始状态。实验表明，Beta能够生成比人类专家设计的更难由专业求解器求解的初始状态。
2019-07-04 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
Procedural terrain generation with style transfer
University of Bologna（博洛尼亚大学）
本研究提出一种结合程序化噪声生成与增强神经风格迁移的地形生成技术，以低计算成本生成多样且贴近真实形态的地形，并优于传统程序化方法。
2024-01-28 cs.AI cs.CV
Illuminating Generalization in Deep Reinforcement Learning through Procedural Level Generation
IT University of Copenhagen（哥本哈根信息技术大学）；New York University（纽约大学）
深度强化学习（RL）已经在许多领域显示出令人印象深刻的结果，直接从高维感觉流中学习。然而，当神经网络在固定的环境中训练时，例如视频游戏中的单个级别，它们通常会过拟合，并且无法泛化到新的级别。当RL模型过拟合时，即使对环境进行轻微的修改也会导致代理性能低下。本文探讨了如何在训练过程中程序生成的水平可以提高通用性。我们发现，对于一些游戏程序水平的生成，使泛化到新的水平在同一分布。此外，通过根据代理的性能操纵级别的难度，可以用更少的数据实现更好的性能。学习行为的一般性也在一组人类设计的水平上进行评估。结果表明，人类设计的水平高度依赖于水平生成器的设计，概括的能力。我们应用降维和聚类技术来可视化生成器的水平分布，并分析它们在多大程度上可以产生与人类设计的水平相似的水平。
2018-11-29 cs.AI cs.LG stat.ML
'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
Constructing Evaluation Datasets for Procedural Reasoning: Balancing Naturalness, Grounding, and Multi-Hop Coverage
Georgia Institute of Technology（佐治亚理工学院）
研究基于任务-方法-知识（TMK）模型的问题生成策略对程序性和多跳推理数据集质量的影响，提出基础性验证框架，发现严格TMK生成策略在基础性和可用性上最优。
2026-06-12 cs.AI
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
All Stories Are One Story: Emotional Arc Guided Procedural Game Level Generation
本框架利用情感弧（上升与下降）作为结构骨干，通过大型语言模型和自适应实体生成，在原型ARPG中实现分支故事图，显著提升玩家参与度、叙事连贯性与情感冲击。
2025-08-04 cs.AI
Synthesizing Procedural Memory: Challenges and Architectures in Automated Workflow Generation
本文提出通过科学方法自主生成工作流技能，解决自动化技能生成中的四个结构性瓶颈。
2025-12-23 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
Let CONAN tell you a story: Procedural quest generation
Carleton University（卡尔顿大学）
这项工作提出了一个引擎，创造小说冒险叙事（柯南），这是一个程序性的追求发电机。它使用一种规划方法来生成故事。测试引擎创建任务的能力，任务是为了实现特定目标而必须执行的一系列操作，通常是为了获得奖励。该引擎接受世界描述，表示为一组事实，包括角色，位置和物品，并根据世界的状态和角色的偏好生成任务。我们通过对任务背后的动机进行分类来评估任务，基于完成任务所需的行动顺序。我们还比较了不同的世界描述，并分析了引擎产生的任务的动机的差异。与人类的任务结构分析相比，目前的引擎被发现能够复制商业视频游戏任务中的任务结构。
2018-08-19 cs.AI
Procedural Generation of Complex Roundabouts for Autonomous Vehicle Testing
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；University of California Santa Cruz（加州大学圣克鲁兹分校）
针对自动驾驶测试中高清道路仿真需求，本文提出一种依据邻近道路几何约束、支持任意角度接入的复杂环岛程序化生成方法，可生成贴近真实的非正圆车道并集成于道路生成或场景测试。
2023-08-14 cs.AI cs.RO
SceneX: Procedural Controllable Large-scale Scene Generation
University of Chinese Academy of Sciences（中国科学院大学）；Centre for Artificial Intelligence and Robotics（人工智能与机器人研究中心）；Institute of Automation, Chinese Academy of Sciences（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）；China University of Geosciences Beijing（中国地质大学（北京））
SceneX框架通过PCGHub和PCGPlanner组件，根据文本描述自动生成高质量程序化模型，实现自然场景与无边界城市的可控大规模生成及场景编辑。
2024-12-17 cs.AI cs.CV
Less is More: Label-Guided Efficient Summarization of Procedural and Instructional Videos
University of Tübingen（图宾根大学）；Vellore Institute of Technology（维洛雷理工学院）；Brown University（布朗大学）
PRISM提出了一种基于标签的视频摘要方法，通过集成语义和多模态分析，生成语义准确且上下文连贯的摘要，有效提升摘要质量。
2026-10-14 cs.AI cs.CV
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
