InfiniteDiffusion：连接学习保真度与程序化实用性用于开放世界地形生成
计算机视觉与模式识别
2026-05-05 v4 人工智能
图形学
机器学习
摘要
数十年来，程序化世界都基于程序化噪声函数（如 Perlin 噪声）构建，这些函数快速且无限，但在真实感和大规模连贯性方面受限。相比，扩散模型提供了前所未有的保真度，但通常局限于有界画布。我们引入 InfiniteDiffusion，一种无需训练的算法，将扩散采样重新表述为惰性和无限生成的方式，桥接扩散模型的保真度与程序化噪声所具备的特性：无缝无限范围、种子一致性和常数时间随机访问。为展示此方法的实用性，我们提出 Terrain Diffusion，一个以程序化噪声类似接口实现的学习程序化地形生成框架。我们的框架在消费级 GPU 上比轨道速度快 9 倍，使其能够以交互式速率生成逼真的地形。我们集成一个分层扩散模型堆栈，以将星球尺度的背景与局部细节耦合，一个紧凑的拉普拉斯编码以稳定 Earth 尺度动态范围的输出，以及一个开源的无限张量框架用于常数内存操作的无界张量。综上，这些组件将扩散模型定位为下一代无限虚拟世界的实用基础。
引用
@article{arxiv.2512.08309,
title = {InfiniteDiffusion: Bridging Learned Fidelity and Procedural Utility for Open-World Terrain Generation},
author = {Alexander Goslin},
journal= {arXiv preprint arXiv:2512.08309},
year = {2026}
}
备注
Project website: https://xandergos.github.io/terrain-diffusion/ Code: https://github.com/xandergos/terrain-diffusion/