地形扩散:一种基于扩散的Perlin噪声继任者,用于无限、实时地形生成

Papers with Code Trending 论文

摘要

地形扩散引入了基于扩散的Perlin噪声继任者,采用新颖的InfiniteDiffusion算法,以常数时间随机访问生成逼真、无缝且无限的程序化世界。

几十年来,程序化世界一直依赖于诸如Perlin噪声等程序化噪声函数来构建。这些函数虽然快速且无限,但在真实感和大规模连贯性方面存在根本性的局限。我们提出了地形扩散(Terrain Diffusion),这是AI时代Perlin噪声的继任者,它将扩散模型的保真度与使程序化噪声不可或缺的特性相结合:无缝无限范围、种子一致性以及常数时间随机访问。其核心是InfiniteDiffusion,一种用于无限生成的新颖算法,可实现无缝、实时的无边景观合成。一个层次化的扩散模型堆栈将行星尺度上下文与局部细节耦合,而紧凑的拉普拉斯编码则稳定了地球尺度动态范围内的输出。开源无限张量框架支持对无界张量的恒定内存操作,少步一致性蒸馏则实现了高效生成。这些组件共同奠定了扩散模型作为程序化世界生成实用基础的地位,使其能够连贯、可控且无限制地合成整个行星。
查看原文
查看缓存全文

缓存时间: 2026/06/26 17:14

论文页面 - Terrain Diffusion: 基于扩散的无限实时地形生成中 Perlin 噪声的继承者

来源:https://huggingface.co/papers/2512.08309

摘要

Terrain Diffusion 利用扩散模型和一种名为 InfiniteDiffusion 的新算法,生成逼真、无缝且无界的程序化世界,并支持常数时间随机访问。

几十年来,程序化世界一直建立在程序化噪声(https://huggingface.co/papers?q=procedural%20noise)函数(如 Perlin 噪声(https://huggingface.co/papers?q=Perlin%20noise))之上。这些函数快速且无限,但在真实感和大规模连贯性方面存在根本局限。我们引入 Terrain Diffusion(https://huggingface.co/papers?q=Terrain%20Diffusion),作为 Perlin 噪声(https://huggingface.co/papers?q=Perlin%20noise)在 AI 时代的继承者,它桥接了扩散模型(https://huggingface.co/papers?q=diffusion%20models)的保真度与程序化噪声(https://huggingface.co/papers?q=procedural%20noise)不可或缺的特性:无缝无限范围(https://huggingface.co/papers?q=seamless%20infinite%20extent)、种子一致性(https://huggingface.co/papers?q=seed-consistency)以及常数时间随机访问(https://huggingface.co/papers?q=constant-time%20random%20access)。其核心是 InfiniteDiffusion(https://huggingface.co/papers?q=InfiniteDiffusion),一种用于无限生成的新算法,可实现无缝、实时的无界景观合成。一个分层堆栈(https://huggingface.co/papers?q=hierarchical%20stack)的扩散模型(https://huggingface.co/papers?q=diffusion%20models)将行星上下文(https://huggingface.co/papers?q=planetary%20context)与局部细节(https://huggingface.co/papers?q=local%20detail)相结合,同时一种紧凑的拉普拉斯编码(https://huggingface.co/papers?q=compact%20Laplacian%20encoding)稳定了跨地球尺度动态范围(https://huggingface.co/papers?q=Earth-scale%20dynamic%20ranges)的输出。一个开源的无限张量框架(https://huggingface.co/papers?q=infinite-tensor%20framework)支持对无界张量的常数内存操作(https://huggingface.co/papers?q=constant-memory%20manipulation),而少步一致性蒸馏(https://huggingface.co/papers?q=few-step%20consistency%20distillation)则实现了高效生成。这些组件共同确立了扩散模型(https://huggingface.co/papers?q=diffusion%20models)作为程序化世界生成的实用基础,能够连贯、可控且无限制地合成整个行星。

查看 arXiv 页面(https://arxiv.org/abs/2512.08309)查看 PDF(https://arxiv.org/pdf/2512.08309)项目页面(https://xandergos.github.io/terrain-diffusion/)GitHub512(https://github.com/xandergos/terrain-diffusion)添加到收藏(https://huggingface.co/login?next=%2Fpapers%2F2512.08309)

在您自己的智能体中获取这篇论文:

hf papers read 2512.08309

没有最新的 CLI?curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型6

xandergos/terrain-diffusion-30m (https://huggingface.co/xandergos/terrain-diffusion-30m)

xandergos/terrain-diffusion-90m (https://huggingface.co/xandergos/terrain-diffusion-90m)

xandergos/TerrainDiffusion-Consistency-Base-192x3 更新于 2025 年 12 月 14 日 • 13 • 1 (https://huggingface.co/xandergos/TerrainDiffusion-Consistency-Base-192x3)

xandergos/TerrainDiffusion-Consistency-Decoder-64x3 (https://huggingface.co/xandergos/TerrainDiffusion-Consistency-Decoder-64x3)

浏览引用该论文的 6 个模型 (https://huggingface.co/models?other=arxiv:2512.08309)## 引用该论文的数据集0

没有数据集链接这篇论文

在数据集的 README.md 中引用 arxiv.org/abs/2512.08309 以从此页面链接。

引用该论文的 Space0

没有 Space 链接这篇论文

在 Space 的 README.md 中引用 arxiv.org/abs/2512.08309 以从此页面链接。

包含该论文的收藏2

相似文章

学习离散化:基于扩散的自适应网格与谱引导

arXiv cs.LG

本文提出了一种基于扩散的框架,用于学习条件于观测到的偏微分方程动力学的自适应网格离散化,利用谱引导和物理约束在需要的地方分配分辨率。该方法在五种偏微分方程场景中取得了具有竞争力或更优的性能。

Perlin噪声算法

Hacker News Top

解释Perlin噪声算法,涵盖噪声的概念、相干噪声以及在程序化生成中实现噪声函数的基础。

SynCity 3000: 自举场景级3D扩散

Hugging Face Daily Papers

SynCity 3000 提出了一种框架,用于生成大规模、全局一致的3D场景,该框架通过将图像到3D生成器适配为卷积算子,并在来自新数据引擎的合成场景数据上进行微调来实现。