# 使用 GameGAN 学习模拟动态环境 > GameGAN 从录制的画面帧及对应动作中学习游戏的动作条件神经模拟器，无需访问游戏逻辑或引擎。带随机潜变量的动作条件 LSTM 动力学引擎预测下一状态；可选的外部记忆模块构建内部地图，使重新访问的位置保持一致；渲染引擎在解码画面时区分静态与动态成分。模型以端到端方式训练，采用包括动作条件判别器在内的对抗损失，并用时间循环损失保持记忆一致性。作者在修改版 Pac-Man、无幽灵的 Pac-Man-Maze 及 VizDoom “take cover” 上进行评测：在学得的模拟器中训练强化学习智能体并在真实游戏中测试，并用“返回原点”任务衡量长期一致性；论文还定性展示了可由人类游玩的官方 Pac-Man 模型。 - 作者：Seung Wook Kim; Yuhao Zhou; Jonah Philion; Antonio Torralba; Sanja Fidler - 原标题：Learning to Simulate Dynamic Environments with GameGAN - 发表载体：CVPR 2020 - 发表状态：会议论文 - 出版／提交日期：2020 年 6 月 - 日期依据：IEEE 提交的 Crossref 元数据及 IEEE Xplore 页面存档副本均给出 2020 年 6 月，本条目按月精度记录，不以 2020 年 5 月的 arXiv 提交日期或会议日期替代。 - arXiv 首次提交：2020 年 5 月 25 日 - arXiv：2005.12126 - 已复核的 arXiv 版本：v1 - DOI：10.1109/CVPR42600.2020.00131 - 来源复核于：2026-10-19 - 收录于：2026-10-31 - 原始论文： - PDF： - 代码： - BibTeX： - 目录页面： - 记录 JSON： - 英文版：[English](https://awesomerea.org/papers/paper-gamegan/index.md) ## 研究范围与局限 GameGAN 模仿的是游戏的画面与动态，并不恢复游戏代码、符号规则、素材或可执行程序。训练需要带动作的大量日志数据：Pac-Man 使用 4 万个由能观察完整环境、高熵策略的 DQN 智能体生成的回合，VizDoom 使用 1 万个随机策略回合，分辨率分别为 84×84 与 64×64。定量结果只覆盖小型网格化的 Pac-Man 变体与一个 VizDoom 场景，并借助外部分类器给出游戏结果。在模拟器中训练的智能体可能利用建模误差：完整模型有时让 Pac-Man 穿过墙壁，其 Pac-Man 智能体得分低于无记忆版本；在 VizDoom 上，World Model 基线的得分高于 GameGAN。发布的代码只支持 VizDoom 训练，依赖已弃用的 WorldModels 数据准备流程，并采用仅限非商业用途的 NVIDIA Source Code License；其中不含 Pac-Man 数据及官方 Pac-Man 模型。 ## 与本合集的关联 补充一种从观察到的画面与动作中重建可游玩游戏模拟器的神经网络方法，与本节的程序合成及黑盒游戏复刻研究互补。 ## 发表与复核说明 Crossref 与 IEEE Xplore 页面存档给出五位作者、CVPR 2020 及第 1228–1237 页；IEEE 元数据将标题写作“Learning to Simulate Dynamic Environments With GameGAN”，而 CVF 开放获取论文与 arXiv 中为小写“with”。10 页的 CVF PDF 是计算机视觉基金会提供的开放获取版本，版本记录以 IEEE Xplore 为准。arXiv 只有 2020-05-25 提交的 v1，备注为“CVPR 2020”。所审阅的 2021-11-11 提交中，仓库 README 的 BibTeX 页码为 1231–1240，与 IEEE 不同；其 Project Page 链接指向无关的 lift-splat-shoot 页面。README 列出 Ubuntu 18.04 与 Python 3.8.3，requirements 固定 torch 1.4.0 与 torchvision 0.5.0。LICENSE 第 3.3 条将使用限定为非商业的研究或评估用途。 ## 一手来源 1. 2. 3. 4. 5. 6. 7. 8. ## 关于此条目 已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。 原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。