korzyść z hałasu perlin nad poziomem hałasu

Badając wewnętrzne działanie hałasu perlina, zastanawiałem się, dlaczego można zastosować hałas perlina zamiast zwykłego hałasu o wartości. O ile dobrze to rozumiem, zastosowanie mają następujące zasady:

Szum Perlina jest funkcją szumu opartą na sieci, która przypisuje gradient n-wymiarowy (losowy dla oryginalnej implementacji, ustalony dla ulepszonego) dla każdego punktu w leżącej pod nim przestrzeni hałasu. Teraz możesz zapytać o wartość dla każdego punktu w przestrzeni, obliczając iloczyn iloczynu między wektorem odległości a wektorem gradientu. Następnie uśredniasz wszystkie obliczone wartości i otrzymujesz wartość zapytania.

Ale czy szum wartości nie jest taki sam bez użycia wektorów gradientowych, ale wartości losowych? Ponieważ interpoluję również wartości w wartościowym hałasie, nie widzę żadnych korzyści, stosując dodatkowy krok obliczeniowy (iloczyn punktowy) w hałasie perlin.

Dlaczego więc miałbym używać hałasu perlin zamiast hałasu wartościowego? Dlaczego hałas perlin jest tak popularny?

Zaletą hałasu perlin jest ogólny rozkład częstotliwości. Ponieważ szum wartości wykorzystuje proste wartości, które są interpolowane, istnieje większe prawdopodobieństwo, że rząd kilku wartości różni się tylko trochę. W konsekwencji niektóre regiony twojego obrazu mogą zawierać niewielkie zmiany, a niektóre regiony wiele zmian.

Używając gradientów, zmniejszasz ten efekt, ponieważ interpolacja nie jest wykonywana na podstawie wartości, lecz obliczana między stycznymi. Teraz trudniej jest mieć płaską krzywą (obie styczne muszą być współliniowe).

Źródło: Jak zauważył Martin Ender kwestia została już wysłana na innej społeczności Stack Exchange Network: patrz ten Math.SE słupek .