Концепт-документ «Сказки»

Наткнулся в своих завалах на оригинальный концепт-документ Сказки от 2012 года. Привожу с минимальными правками.

Как видите, не всё удалось реализовать, но концепция более-менее соблюдается.

Также у меня какое-то время было хобби — писать подобные документы на свои идеи. Если вам интересно, напишите в комментариях. Если наберётся достаточно заинтересованных людей, буду постепенно выкладывать документы в блог.

Далее

Процедурная генерация и прочая математика

Открыл для себя доклады, которые Squirrel Eiserloh делал для математической секции GDC. Очень наглядно и доступно рассказывает о процедурной генерации, случайности и прочей математике.

Доклады:

• Процедурная генерация (смотреть по порядку): 1, 2, 3, 4, 5, 6
• Случайность основанная на шуме (например, Перлина)
• Работа с камерой
• Нелинейные преобразования
• Математика RGB(A)
• Матричные операции
• Генерация случайных чисел и шумов

Доклады о процедурной генерации особенно интересны.

Видео с изменениями карты мира «Сказки» с 2013 года

Смотреть лучше в максимальном качестве.

Карта изменяется динамически, исходя из действий игроков и своей внутренней логики.

По сути реализована небольшая модель формирования ландшафта с учётом климата и «точек влияния», контролируемых игроками.

Просчитываются и меняются: высота, температура почвы/воздуха, направление ветра, влажность, плодородность земли, типы растительности.

Поверх этого отображаются обобщённые биомы (пустыня, джунгли, горы, etc). Для каждой клетки выбирается биом, который лучше всего ей подходит.

По ссылкам с ютуба можно скачать более подробные ролики.

Генерация текста на русском по шаблонам

И пять лет не прошло (на самом деле прошло), как у меня дошли руки рассказать чем генерируются тексты в Сказке (хабр).

Стастья о python библиотеке для генерации текстов с учётом зависимости слов и их грамматических особенностей.

Github: https://github.com/the-tale/utg PyPi: https://pypi.org/project/UTG/

Нейронный сети научили генерировать полноценные анимэшные аватарки

Пример можно найти на картинке и по ссылкам:

сайт с генератором

краткий отчёт по разработке

статья

Но куда интереснее не сам результат, а способ его получения:

1. Сырую обучающую выборку слили с сайта об японских играх (изображения персонажей).
2. На этих изображениях сторонней нейронной сетью распознали лица.
3. Другой сторонней нейронной сетью назначили полученным портретам теги (цвет волос, глаз, etc).
4. Обучили свою сеть, которая по параметрам генерирует картинки.
5. Использовали сеть из пункта 3 для расчёта оценочной функции (на сколько полученная картинка соответствует требованиям).
6. Конечный результат получается генерацией нескольких аватарок и выбором одной с лучшим значением оценочной функции.

То есть в работе задействовано 3 нейронные сети, 2 из которых — обучены ранее другими людьми. По этому поводу можно было бы расписать много интересного, но просто оставлю как факт.