In recent years, the metaverse has attracted enormous attention from around the world with the development of related technologies. The expected metaverse should be a realistic society with more direct and physical interactions, while the concepts of race, gender, and even physical disability would be weakened, which would be highly beneficial for society. However, the development of metaverse is still in its infancy, with great potential for improvement. Regarding metaverse's huge potential, industry has already come forward with advance preparation, accompanied by feverish investment, but there are few discussions about metaverse in academia to scientifically guide its development. In this paper, we highlight the representative applications for social good. Then we propose a three-layer metaverse architecture from a macro perspective, containing infrastructure, interaction, and ecosystem. Moreover, we journey toward both a historical and novel metaverse with a detailed timeline and table of specific attributes. Lastly, we illustrate our implemented blockchain-driven metaverse prototype of a university campus and discuss the prototype design and insights.

User-generated content (UGC) is any form of content that has been created by users rather than the developers of online platforms. The UGC has been playing a very important role in video games. For instance, Counter-Strike (CS) and Defense of the Ancients (DOTA) originated from modifications of Half-Life and Warcraft III: Reign of Chaos respectively. As a promising trend, the UGC will be increasingly developed and extended to wider scopes in virtual worlds, such as the metaverse, which is highly promising for further study in both academia and industry. However, there are few existing surveys that systematically discuss the UGC in video games. In this paper, we systematically review the representative UGC in video games and their corresponding UGC editors based on a decision tree-style classification method. Then we enumerate the propagation methods of UGC in video games. Moreover, we propose our vision of the future development of UGC in the metaverse.

In a blockchain-driven metaverse, user-generated content (UGC) is the core power for building the metaverse, so an easy-to-use UGC editor is imperative. Specifically, using artificial intelligence (AI) to simplify the UGC creation procedure is promising, e.g., generating images from sketches using generative adversarial networks (GANs). However, the simplicity of these UGC creation methods would lead to weak distinctions between the generated UGC, since the users' created drafts may be very similar. In this paper, we propose Crypto-dropout, a specially designed dropout used in the generative neural networks, which could cause pseudo-random disturbance based on the hash value of user information to generate unique results. With a pilot study, the experimental results demonstrate that the participants have different preferences for the generated images when setting Crypto-dropout in the different layers. Accordingly, we implement a practical profile pictures (PFPs) creation prototype. The proposed Crypto-dropout can provide a novel and general insight for creating unique UGC using generative neural networks.

The metaverse, as a rapidly evolving socio-technical phenomenon, exhibits significant potential across diverse domains by leveraging Web3 (a.k.a. Web 3.0) technologies such as blockchain, smart contracts, and non-fungible tokens (NFTs). This survey aims to provide a comprehensive overview of the Web3 metaverse from a human-centered perspective. We (i) systematically review the development of the metaverse over the past 30 years, highlighting the balanced contributions from its core components: Web3, immersive convergence, and crowd intelligence communities, (ii) define the metaverse that integrates the Web3 community as the Web3 metaverse and propose an analysis framework from the community, society, and human layers to describe the features, missions, and relationships for each community and their overlapping sections, (iii) survey the state-of-the-art of the Web3 metaverse from a human-centered perspective, namely, the identity, field, and behavior aspects, and (iv) provide supplementary technical reviews. To the best of our knowledge, this work represents the first systematic, interdisciplinary survey on the Web3 metaverse. Specifically, we commence by discussing the potential for establishing decentralized identities (DID) utilizing mechanisms such as profile picture (PFP) NFTs, domain name NFTs, and soulbound tokens (SBTs). Subsequently, we examine land, utility, and equipment NFTs within the Web3 metaverse, highlighting interoperable and full on-chain solutions for existing centralization challenges. Lastly, we spotlight current research and practices about individual, intra-group, and inter-group behaviors within the Web3 metaverse, such as Creative Commons Zero license (CC0) NFTs, decentralized education, decentralized science (DeSci), and decentralized autonomous organizations (DAO). Furthermore, we share our insights into several promising directions, encompassing three key socio-technical facets of Web3 metaverse development.

Deep Learning (DL) is an essential technology for modern intelligent sensor network and interactive multimedia applications, having problems with user data privacy when training on a central cloud. While Federated Learning (FL) motivates to preserve user privacy, it also causes new problems of lower user terminal usability and training efficiency, which caused substantial energy consumption. This article proposes a novel energy-efficient and privacy-aware decomposition framework to improve user-side FL efficiency under pre-defined privacy requirements with the assistance of Mobile Edge Computing (MEC) and Software Decomposition. It takes the propagation of each neural layer as the migrating unit and considers the tradeoff relationship between privacy and efficiency. We also propose an online scheduling algorithm to optimize the framework’s training performance. Furthermore, we summarize eight privacy-sensitive information classes on which existing privacy attacks base and design configurable privacy preservation mechanisms for each class. Simulations and experiments prove the effectiveness of our framework and algorithm in FL efficiency improvement and the effects of different privacy constraints on the overall training efficiency.

Making the hit effect satisfy players is a long-standing problem faced by action game designers. However, no research has systematically analyzed which game design elements affect such game feel. There is not even a term to describe it. So, we proposed to use impact feel to describe the player's feeling when receiving juicy impact feedback. After collecting player's comments on action games from Steam's top seller list, we trained a natural language processing (NLP) model to rank action games with their performance on impact feel. We presented a 19-feature framework of impact feedback design and examined it in the top eight and last eight games. We listed an inventory of the usage of features and found that hit stop, sound coherence, and camera control may strongly influence players' impact feel. A lack of dedicated design on one of these three features may ruin players' impact feel. Our findings might become an evaluation metric for future studies.

Federated learning is considered to be a privacy-preserving collaborative machine learning training method. However, due to the general limitation of the computing ability of the terminal device, the training efficiency becomes an issue when training some complex deep neural network models. On the other hand, edges, the nearby stationary devices with higher computational capacity, might serve as a help. This paper presents the design of a component-based federated learning framework, which facilitates the offloading of training layers to nearby edge devices while preserving the users’ privacy. We conduct an empirical study on a classic convolutional neural network to validate our framework. Experiments show that this method can effectively shorten the time cost for mobile terminals to perform local training in the federated learning process.

Recently, the concept of metaverse has been rapidly emerging, which highly expands the human living space. Specifically, 3D models are at the heart of building a vast metaverse space, so a massive number of 3D models are needed. Existing 3D model libraries and platforms have achieved great results. However, most of them are unscalable, insufficiently open, inefficient to collect, and at risk of service disruption and data corruption. Therefore, we propose and implement Web3DP, a crowdsourcing platform for 3D models based on Web3 (a.k.a. Web 3.0) infrastructure. By using the decentralized blockchain technology, Web3DP has the advantages of transparency, auditability, traceability, data tamper-proof, high file transfer efficiency, and service stability. Experiments are conducted to validate the performance of the proposed platform. It illustrates that Web3DP shows better file transmission capabilities with an acceptable transaction fee to facilitate 3D model collecting and managing for metaverse, games, cultural heritage, etc.

With the rapid market growth of free-to-play games, how to choose a proper revenue model becomes an important problem for the game provider. The classical method is the in-game purchase. To utilize the large install base of the free-to-play games, numerous game providers have also adopted advertising. This paper analyzes the mixing revenue model of the in-game purchase (premium subscription) and advertising. Taken the player's snobbery into consideration, we prove the mixing revenue model existing equilibrium in a two-stage Stackelberg model. The experimental result provides theoretical support in the design of the revenue model of the free-to-play games.

Metaverse provides users with a novel experience through immersive multimedia technologies. Along with the rapid user growth, numerous events bursting in the metaverse necessitate an announcer to help catch and monitor ongoing events. However, systems on the market primarily serve for esports competitions and rely on human directors, making it challenging to provide 24-hour delivery in the metaverse persistent world. To fill the blank, we proposed a three-stage architecture for metaverse announcers, which is designed to identify events, position cameras, and blend between shots. Based on the architecture, we introduced a Metaverse Announcer User Experience (MAUE) model to identify the factors affecting the users' Quality of Experience (QoE) from a human-centered perspective. In addition, we implemented MetaCast, a practical self-driven metaverse announcer in a university campus metaverse prototype, to conduct user studies for MAUE model. The experimental results have effectively achieved satisfactory announcer settings that align with the preferences of most users, encompassing parameters such as video transition rate, repetition rate, importance threshold value, and image composition.