Wave Function Collapse (WFC)와 같이 기존 콘텐츠로부터 지역적 제약 조건 (local constraints)을 학습하는 제약 기반 게임 콘텐츠 생성기는 시각적으로 만족스러운 게임 레벨을 생성할 수 있지만, 플레이 가능성 (playability)과 같은 전역적 속성 (global properties)을 보장하는 데 어려움을 겪습니다. 반면, 강화학습 (reinforcement-learning)으로 훈련된 생성기는 이러한 속성들이 보상 함수 (reward functions)에 쉽게 포함될 수 있기 때문에 전역적 속성을 보장할 수 있지만, 결과물이 시각적으로 만족스럽지 않을 수 있습니다. 본 논문에서는 이러한 방법들을 결합하는 방법을 탐구합니다. 구체적으로, 우리는 WFC에 의해 학습된 제약 조건으로 PCGRL 생성기의 행동 공간 (action space)을 제약하여, PCGRL 생성기가 지역적 제약 조건을 준수하도록 강제하면서도 전역적 속성을 달성할 수 있도록 효과적으로 지원합니다. 이 하이브리드 콘텐츠 생성 방법이 어떻게 작동하는지 더 잘 분석하기 위해, 우리는 입력의 수와 유형을 변화시키며, 시작 상태를 무작위로 붕괴 (collapse)시키는지와 희귀 패턴을 제외할지 여부를 테스트합니다. 이 방법은 하이퍼파라미터 튜닝 (hyperparameter tuning)에 민감하지만, 우리가 훈련시킨 생성기 중 최상의 모델은 Lode Runner 레벨과 같이 원하는 전역적 속성을 가진, 시각적으로 만족스럽고 플레이 가능한 퍼즐 플랫폼 게임 레벨을 생성합니다.