| dbo:abstract
|
- El soroll Simplex és un algorisme utilitzat per construir una funció de soroll de n dimensions. el va dissenyar el 2001 per millorar el seu mètode classic, anomenat soroll Perlin, de manera que tingués menys artefactes direccionals i, en més dimensions, una sobrecàrrega computacional menor. L'algorisme divideix l'espai en símplex (triangles de n dimensions) per tal de reduir el nombre de punts de dades. Per exemple, mentre que un hipercub té 2n cantonades, un símplex només en té n+1. Els avantatges principals del soroll Simplex són:
* Menor complexitat computacional; requereix menys multiplicacions.
* Escalable a més dimensions amb menys cost computacional: la complexitat és O(n²) per n dimensions, mentre que en el mètode clàssic és O(n 2n).
* És visualment isotròpic, és a dir que no s'hi aprecien artefactes direccionals. El mètode va ser ampliat posteriorment i modificat per evitar un problema de patents, en una nova funció lliure d'ús anomenada soroll OpenSimplex. (ca)
- Simplex Noise (engl.) ist eine Methode zum Aufbau einer n-dimensionalen Rauschfunktion, vergleichbar Perlin Noise, jedoch mit einem geringeren Rechenaufwand, vor allem in höheren Dimensionen. Ken Perlin entwickelte den Algorithmus im Jahr 2001, um die Grenzen der klassischen Rauschfunktion zu umgehen, vor allem in höheren Dimensionen. Die Vorteile des Simplex Noise gegenüber Perlin Noise:
* geringere Rechenkomplexität und weniger Multiplikationen
* skaliert in höheren Dimensionen (4D, 5D). Bei weniger Rechenaufwand ist die Komplexität für Dimensionen, statt der der klassischen Noise
* keine spürbaren Richtungsartefakte (ist isotrop)
* gut definierte und kontinuierliche Gradienten, die günstig berechnet werden können
* einfach in Hardware zu implementieren. Während klassisches Rauschen zwischen den Werten aus den umliegenden Hypergrid-Endpunkten interpoliert (d. h. Norden, Süden, Osten und Westen in 2D), teilt Simplex Noise den Raum in , d. h. n-dimensionale Dreiecke, zwischen denen interpoliert wird. Dies verringert die Anzahl der Datenpunkte. Während ein Hyperwürfel in n Dimensionen Ecken hat, besitzt ein Simplex in n Dimensionen nur n+1 Ecken in den Abmessungen. Die Dreiecke sind in 2D gleichseitig, aber in höheren Dimensionen sind die Simplizes nur annähernd regelmäßig. Simplex Noise ist nützlich für Computergrafikanwendungen, in denen Rauschen in der Regel über 2, 3, 4 oder möglicherweise 5 Dimensionen berechnet wird. Für höhere Dimensionen sind -Kugeln mit -Simplex-Ecken nicht dicht genug bemessen. Dadurch verringert sich der Träger der Funktion auf Null in großen Teilen des Raumes. (de)
- Simplex noise is the result of an n-dimensional noise function comparable to Perlin noise ("classic" noise) but with fewer directional artifacts and, in higher dimensions, a lower computational overhead. Ken Perlin designed the algorithm in 2001 to address the limitations of his classic noise function, especially in higher dimensions. The advantages of simplex noise over Perlin noise:
* Simplex noise has lower computational complexity and requires fewer multiplications.
* Simplex noise scales to higher dimensions (4D, 5D) with much less computational cost: the complexity is for dimensions instead of the of classic noise.
* Simplex noise has no noticeable directional artifacts (is visually isotropic), though noise generated for different dimensions is visually distinct (e.g. 2D noise has a different look than 2D slices of 3D noise, and it looks increasingly worse for higher dimensions).
* Simplex noise has a well-defined and continuous gradient (almost) everywhere that can be computed quite cheaply.
* Simplex noise is easy to implement in hardware. Whereas classical noise interpolates between the gradients at the surrounding hypergrid end points (i.e., northeast, northwest, southeast and southwest in 2D), simplex noise divides the space into simplices (i.e., -dimensional triangles). This reduces the number of data points. While a hypercube in dimensions has corners, a simplex in dimensions has only corners. The triangles are equilateral in 2D, but in higher dimensions the simplices are only approximately regular. For example, the tiling in the 3D case of the function is an orientation of the tetragonal disphenoid honeycomb. Simplex noise is useful for computer graphics applications, where noise is usually computed over 2, 3, 4, or possibly 5 dimensions. For higher dimensions, n-spheres around n-simplex corners are not densely enough packed, reducing the support of the function and making it zero in large portions of space. (en)
- Симплекс-шум (англ. Simplex noise) — метод побудови n-вимірної функції шуму, подібно до шуму Перлина («класичного шуму»), але з меншою кількістю артефактів і кращою продуктивністю. Кен Перлин розробив алгоритм у 2001 році щоб усунути обмеження класичної функції шуму, особливо за великої кількості вимірів. Переваги симплекс-шуму над шумом Перлина:
* Симплекс-шум має меншу обчислювальну складність і вимагає менше операцій множення.
* За більшої кількості вимірів (4D, 5D) симплекс-шум є продуктивнішим, складність — для вимірів, в той час як у класичного шуму — .
* Симплекс-шум не має помітних артефактів (візуально вони ізотропні), проте шум, згенерований для різних вимірів візуально відрізняється (наприклад, двовимірний шум виглядає інакше, ніж переріз тривимірного шуму; вигляд погіршується зі збільшенням кількості вимірів).
* Симплекс-шум має добре визначений неперервний градієнт, який обчислюється доволі швидко.
* Симплекс-шум легко реалізувати на машинному рівні. В той час як класичний шум інтерполює значення градієнтів вузлових точок сітки (тобто північно-східного, північно-західного, південно-східного й південно-західного для двовимірної сітки), симплекс-шум поділяє простір на симплекси (тобто -вимірні трикутники). Це зменшує кількість вузлів. Гіперкуб у вимірах має кутів, симплекс — лише . У 2D трикутники рівносторонні, але за більшої кількості вимірів симплекси лиш близькі до правильної форми. Симплекс-шум корисний для програм комп'ютерної графіки, які будують шуми для двох, трьох, чотирьох чи п'яти вимірів. За більшої кількості вимірів n-вимірні сфери навколо кутів симплекса знаходяться недостатньо щільно, тим самим занулюючи функцію на вільних ділянках простору. (uk)
- Симплексный шум — метод построения n-мерной функции шума, сравнимой с шумом Перлина («классический» шум), но с меньшим количеством направленных артефактов и, в более высоких измерениях, меньшими вычислительными затратами. разработал алгоритм в 2001 году, чтобы устранить ограничения своей классической функции шума, особенно в более высоких измерениях. Преимущества симплексного шума перед шумом Перлина:
* Симплексный шум имеет меньшую вычислительную сложность и требует меньшего количества умножений.
* Симплексный шум масштабируется до более высоких измерений (4D, 5D) с гораздо меньшими вычислительными затратами: сложность для размеров вместо для классического шума.
* Симплексный шум не имеет заметных направленных артефактов (визуально изотропен), хотя шум, генерируемый для разных измерений, визуально различен (например, 2D-шум имеет другой вид, чем срезы 3D-шума, и он выглядит все хуже для более высоких измерений).
* Симплексный шум имеет четко определённый и непрерывный градиент (почти) везде, который можно довольно дёшево вычислить.
* Симплексный шум легко реализовать аппаратно. В то время как классический шум интерполируется между градиентами в окружающих конечных точках гиперсетки (то есть На северо-востоке, северо-западе, юго-востоке и юго-западе в 2D), симплексный шум делит пространство на симплексы (то есть, -мерные треугольники). Это уменьшает количество точек данных. В то время как у гиперкуба в измерениях есть углов, у симплекса в измерениях есть только углов. Равносторонние треугольники в 2D, но в более высоких измерениях симплексы только приблизительно правильные. Например, мозаика в трехмерном случае функции — это ориентация тетрагональной соты. Симплексный шум полезен для приложений компьютерной графики, где шум обычно вычисляется по 2, 3, 4 или, возможно, 5 измерениям. Для более высоких измерений n-сфер вокруг n-симплексных углов недостаточно плотно упакованы, что снижает поддержку функции и делает её нулевой в больших частях пространства. (ru)
|
| rdfs:comment
|
- El soroll Simplex és un algorisme utilitzat per construir una funció de soroll de n dimensions. el va dissenyar el 2001 per millorar el seu mètode classic, anomenat soroll Perlin, de manera que tingués menys artefactes direccionals i, en més dimensions, una sobrecàrrega computacional menor. L'algorisme divideix l'espai en símplex (triangles de n dimensions) per tal de reduir el nombre de punts de dades. Per exemple, mentre que un hipercub té 2n cantonades, un símplex només en té n+1. Els avantatges principals del soroll Simplex són: (ca)
- Simplex Noise (engl.) ist eine Methode zum Aufbau einer n-dimensionalen Rauschfunktion, vergleichbar Perlin Noise, jedoch mit einem geringeren Rechenaufwand, vor allem in höheren Dimensionen. Ken Perlin entwickelte den Algorithmus im Jahr 2001, um die Grenzen der klassischen Rauschfunktion zu umgehen, vor allem in höheren Dimensionen. Die Vorteile des Simplex Noise gegenüber Perlin Noise: (de)
- Simplex noise is the result of an n-dimensional noise function comparable to Perlin noise ("classic" noise) but with fewer directional artifacts and, in higher dimensions, a lower computational overhead. Ken Perlin designed the algorithm in 2001 to address the limitations of his classic noise function, especially in higher dimensions. The advantages of simplex noise over Perlin noise: (en)
- Симплексный шум — метод построения n-мерной функции шума, сравнимой с шумом Перлина («классический» шум), но с меньшим количеством направленных артефактов и, в более высоких измерениях, меньшими вычислительными затратами. разработал алгоритм в 2001 году, чтобы устранить ограничения своей классической функции шума, особенно в более высоких измерениях. Преимущества симплексного шума перед шумом Перлина: (ru)
- Симплекс-шум (англ. Simplex noise) — метод побудови n-вимірної функції шуму, подібно до шуму Перлина («класичного шуму»), але з меншою кількістю артефактів і кращою продуктивністю. Кен Перлин розробив алгоритм у 2001 році щоб усунути обмеження класичної функції шуму, особливо за великої кількості вимірів. Переваги симплекс-шуму над шумом Перлина: (uk)
|
