Extend Wave Function Collapse to Large-Scale Content Generation

解决问题：论文旨在解决Wave Function Collapse (WFC)算法在生成商业化大规模或无限内容方面的时间复杂度和约束冲突问题。

关键思路：论文提出了一种名为Nested WFC (N-WFC)的算法框架来降低时间复杂度。为了避免冲突和回溯问题，论文提供了完整的和子完整的瓷砖集准备策略，只需要少量瓷砖即可生成无限内容。此外，论文还引入了权重刷系统，将N-WFC和子完整的瓷砖集相结合，证明其适用于游戏设计。

其他亮点：论文还提供了实验设计和使用的数据集，并开源了代码。此外，论文的贡献在于解决了WFC在大规模内容生成方面的挑战，并为实现具体的游戏提供了理论基础。

关于作者：主要作者包括Nie Yuhe、Shaoming Zheng、Zhan Zhuang和Xuan Song。他们所在的机构是中国科学技术大学。在之前的代表作中，Nie Yuhe曾发表过一篇题为“Toward Generating High-Quality and Realistic Textures with Generative Adversarial Networks”的论文，探讨了使用生成对抗网络生成高质量和逼真纹理的方法。

相关研究：近期其他相关的研究包括：《Procedural Generation of 3D Dungeons with Arbitrary Style》（作者：Jingwei Huang、Xuequan Lu、Xiaogang Jin，机构：南京大学）、《Learning to Generate 3D Shapes with Generative Adversarial Networks》（作者：Jiajun Wu、Changxi Zheng、Kilian Q. Weinberger，机构：康奈尔大学）、《Neural 3D Mesh Renderer》（作者：Gernot Riegler、Ali Osman Ulusoy、Horst Bischof，机构：奥地利格拉茨大学）。

论文摘要：本文介绍了“波函数坍缩”（WFC）算法在程序化内容生成中的广泛应用，包括纹理、物体和场景。然而，当前的WFC算法和相关研究由于约束冲突和时间复杂度成本等问题，缺乏生成商业化大规模或无限内容的能力。本文提出了一种名为嵌套WFC（N-WFC）的算法框架来降低时间复杂度。为了避免冲突和回溯问题，我们提供了完整和子完整瓷砖集准备策略，仅需要少量瓷砖即可生成无周期和确定性无限内容。我们还介绍了权重刷系统，将N-WFC和子完整瓷砖集相结合，证明其适用于游戏设计。我们的贡献解决了WFC在大规模内容生成方面的挑战，并为实现具体游戏提供了理论基础。

内容中包含的图片若涉及版权问题，请及时与我们联系删除