論文の概要: Terrain Diffusion: A Diffusion-Based Successor to Perlin Noise in Infinite, Real-Time Terrain Generation
- arxiv url: http://arxiv.org/abs/2512.08309v1
- Date: Tue, 09 Dec 2025 07:10:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-10 22:28:07.855487
- Title: Terrain Diffusion: A Diffusion-Based Successor to Perlin Noise in Infinite, Real-Time Terrain Generation
- Title（参考訳）: テライン拡散:無限リアルタイムテライン発生におけるパーリンノイズの拡散に基づく継承
- Authors: Alexander Goslin,
- Abstract要約: 私たちは、Perlinノイズの後継となるAI時代のTerrain Diffusionを紹介します。
拡散モデルの忠実さと手続き的ノイズが不可欠となる特性を橋渡しする。
中心となるのは無限生成のための新しいアルゴリズムであるInfiniteDiffusionである。
- 参考スコア（独自算出の注目度）: 51.56484100374058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For decades, procedural worlds have been built on procedural noise functions such as Perlin noise, which are fast and infinite, yet fundamentally limited in realism and large-scale coherence. We introduce Terrain Diffusion, an AI-era successor to Perlin noise that bridges the fidelity of diffusion models with the properties that made procedural noise indispensable: seamless infinite extent, seed-consistency, and constant-time random access. At its core is InfiniteDiffusion, a novel algorithm for infinite generation, enabling seamless, real-time synthesis of boundless landscapes. A hierarchical stack of diffusion models couples planetary context with local detail, while a compact Laplacian encoding stabilizes outputs across Earth-scale dynamic ranges. An open-source infinite-tensor framework supports constant-memory manipulation of unbounded tensors, and few-step consistency distillation enables efficient generation. Together, these components establish diffusion models as a practical foundation for procedural world generation, capable of synthesizing entire planets coherently, controllably, and without limits.
- Abstract（参考訳）: 何十年もの間、手続き的世界はパーリンノイズのような手続き的ノイズ関数に基づいて構築されてきた。
私たちは、パーリンノイズのAI時代の後継であるTerran Diffusionを紹介します。これは拡散モデルの忠実さを、無限大、シード一貫性、一定時間ランダムアクセスといった手続き的ノイズに必須な特性でブリッジするものです。
中心となるのは無限生成のための新しいアルゴリズムであるInfiniteDiffusionで、無界な風景のシームレスでリアルタイムな合成を可能にする。
拡散モデルの階層的なスタックは、惑星のコンテキストと局所的な詳細を結合し、コンパクトなラプラシアン符号化は地球規模のダイナミックレンジにわたって出力を安定化させる。
オープンソースの無限テンソルフレームワークは、無制限テンソルの定数メモリ操作をサポートし、数ステップの一貫性蒸留は効率的な生成を可能にする。
これらのコンポーネントは共に、散布モデルを手続き的世界生成の実践的基盤として確立し、全惑星を整合的に、制御的に、そして制限なく合成することができる。
関連論文リスト
- Live Avatar: Streaming Real-time Audio-Driven Avatar Generation with Infinite Length [57.458450695137664]
提案するLive Avatarは,効率的,高忠実,無限長アバター生成のためのアルゴリズム設計のフレームワークである。
ライブアバターは、このスケールで実用的でリアルタイムで高忠実なアバター生成を実現するのが最初である。
論文 参考訳（メタデータ） (2025-12-04T11:11:24Z) - Noise is All You Need: Solving Linear Inverse Problems by Noise Combination Sampling with Diffusion Models [7.219077740523681]
本稿では,雑音部分空間から最適な雑音ベクトルを合成し,測定スコアを近似する手法を提案する。
本手法は画像圧縮を含む幅広い逆問題解法に適用可能である。
論文 参考訳（メタデータ） (2025-10-24T07:46:23Z) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - Hierarchical Koopman Diffusion: Fast Generation with Interpretable Diffusion Trajectory [30.327899232038863]
textbfHierarchical Koopman Diffusionは、一段階のサンプリングと解釈可能な生成軌道の両方を達成する新しいフレームワークである。
我々のフレームワークは,拡散モデルにおける高速サンプリングと解釈可能性のギャップを埋め,生成モデルにおける説明可能な画像合成の道を開く。
論文 参考訳（メタデータ） (2025-10-14T07:17:35Z) - StateSpaceDiffuser: Bringing Long Context to Diffusion World Models [52.92249035412797]
本稿では、状態空間モデルから機能を統合することで、拡散モデルが長時間コンテキストタスクの実行を可能にするStateSpaceDiffuserを紹介する。
この設計は拡散モデルの高忠実性合成を保ちながら長期記憶を復元する。
論文 参考訳（メタデータ） (2025-05-28T11:27:54Z) - The Spacetime of Diffusion Models: An Information Geometry Perspective [40.23096112113255]
決定論的確率フローを用いた標準的なプルバック手法であるComplementODEデコーダが根本的に欠陥があることが示される。
遅延時空$z=(x_t,t)$を導入し、すべてのノイズスケールにわたる分布の族を指数化する。
結果として得られた構造は、ジオデシックが最小限のノイズ列を追跡し、データ間の編集を飾る、原則付き拡散距離編集(Diffusion Distance Edit)を誘導する。
論文 参考訳（メタデータ） (2025-05-23T06:16:58Z) - DisCoRD: Discrete Tokens to Continuous Motion via Rectified Flow Decoding [29.643549839940025]
本稿では、DisCoRD: Rectified Flow Decodingによる連続運動への離散トークンの導入について紹介する。
私たちの中核となる考え方は、条件生成タスクとしてトークンデコーディングをフレーム化することです。
DisCoRDは、HumanML3Dで0.032、KIT-MLで0.169、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-11-29T07:54:56Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Subspace Diffusion Generative Models [4.310834990284412]
スコアベースモデルは、高次元拡散過程を通じて、ノイズをデータにマッピングすることでサンプルを生成する。
データ分布がノイズに向かって進化するにつれて、射影による部分空間への拡散を制限する。
私たちのフレームワークは継続的拡散と完全に互換性があり、柔軟性を維持しています。
論文 参考訳（メタデータ） (2022-05-03T13:43:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。