Diese Dissertation über die Generierung von prozeduralen Inhalten durch maschinelles Lernen befasst sich mit dem Problem der Generierung von Leveln in Videospielen mit Generative Adversarial Networks (GANs). GANs sind in der Lage, neue Beispiele zu generieren, die mit den Mustern in der Trainingsverteilung übereinstimmen, wenn eine große Anzahl von Beispieldaten vorhanden ist. Diese Anforderung schränkt jedoch ihre Anwendbarkeit in Bereichen mit wenig Traningsdaten ein, wie es bei Videospielen der Fall ist. Das Design von Leveln in Videospielen zum Beispiel ist ein schwieriger und zeitaufwändiger Prozess, was dazu führt, dass es nur sehr wenige Trainingsbeispiele gibt, auf denen ein GAN trainiert werden kann. In dieser Arbeit werden zwei neue Methoden vorgeschlagen, die tokenbasierte Level beliebiger Größe aus nur einem einzigen Trainingsbeispiel für 2D- bzw. 3D-Spiele erzeugen können.
