想象一下，你是一位雕塑家，刚用白色石膏捏好一尊精美的雕像。现在要给它“披上皮肤”——不是刷白漆，而是让它有毛孔、有光泽、甚至有岁月留下的划痕。过去，这活儿得靠美术师把雕像表面“摊平成一张地图”，再用数位笔一毫米一毫米地画，一尊雕像常常要画上好几周。如今，AI 改变了整个局面：你只需围着雕像用手机拍一圈照片，或者打一句话描述想要的质感，AI 就能自动生成逼真的纹理贴图，让石膏像仿佛一夜之间“长出皮肤”。 这趟“AI 披皮”之旅有两个关键助手。第一个叫 NeRF，它像一位“多角度记忆大师”，能把几十张普通照片拼成一个立体的“皮肤档案”；第二个叫 AI 渲染，像一位“光线魔法师”，让皮肤在任意灯光角度下都显得真实可信。从生成原理、三维重建，到工具选型、质量调优，再到一套完整的实战流程，这篇文章会带你循序渐进地走完全程。哪怕你对 AI 一无所知，也能在读完以后，对“AI 如何给数字世界披上皮肤”建立清晰的直觉。

岗位关联

掌握 AI 纹理生成，意味着你能用过去五分之一的时间造出照片级 3D 资产——这是图形学工程师和 3D 美术从“手艺活”升级为“流程设计者”的关键跳板。

目录
  1. 可视化演示
  2. 一、纹理生成原理
  3. 二、NeRF三维重建
  4. 三、传统对比优势
  5. 四、工具选型指南
  6. 五、质量调优策略
  7. 六、实战流程规范
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示AI纹理生成技术的核心机制，通过采集/分析/决策/反馈四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

AI纹理生成技术：AI纹理 AI纹理生成的技术原理与工作流 NeRF神经辐射场的纹理重建机 核心机制可视化 AI纹理生成技术整体架构与关键组件

一、纹理生成原理

给白色雕像“披皮肤”的第一种魔法，叫扩散。想象你有一幅清晰的皮肤照片，AI 先把墨水一滴滴泼上去，直到整张照片变成一团白色噪点——这是“加噪”。然后 AI 反过来学习“擦除”：它被训练了一万遍，看过两万种“从噪点里救回照片”的手法。当你真正要生成纹理时，它从一团噪点出发，沿着“擦除”的路线，一步步“显影”出一张全新的、符合你描述的皮肤纹样。

扩散模型在 AI 绘画领域已经是标配，用在纹理生成上时，输入多了一条“使用说明”：可以是文字描述、粗糙的色块草图，甚至是一张参考照片。AI 把这些条件当作“向导”，在去噪过程中不断校正方向，最终输出一张与 3D 模型的 UV 布局匹配的贴图。所谓 UV 映射，就是把 3D 表面摊平成 2D 画布的过程——就像把地球仪撕开、摊平画成世界地图。贴图烘焙则是把高模上精雕细琢的细节，像盖章一样“印”到低模的贴图上。

数学上，扩散的正向过程是一个逐步加噪的马尔可夫链，每一步只依赖上一步的结果：

所以扩散模型像一个“受过特训的擦除师”：它见证了无数次“泼墨—擦除”的循环，当你告诉它最后想要什么样的皮肤——光滑的、粗糙的、带疤痕的——它就能从一团噪点中，稳稳地擦出那层皮肤来。

q(xt∣xt−1)=N(xt;1−βt×xt−1,βtI)\displaystyle q(x_t \mid x_{t-1}) = \mathcal{N}(x_t; \sqrt{1-\beta_t} \times x_{t-1}, \beta_t \mathbf{I})
  1. 带噪图像 x_t第 t 步的中间图，t 越大噪点越多，t = 0 时是干净贴图，t = T 时接近纯噪声。
    xt,t=0,1,2,…,Tx_t, \quad t = 0, 1, 2, \dots, T
  2. 高斯分布 N表示“从上一步走到这一步”会落在哪个位置的概率分布，分布越宽代表扰动越大。
    N(μ,Σ)\mathcal{N}(\mu, \Sigma)
  3. 均值项保留上一步图像的比例，β_t 越小保留越多，β_t 越大图像被冲淡得越厉害。
    μ=1−βt×xt−1\mu = \sqrt{1-\beta_t} \times x_{t-1}
  4. 协方差项注入噪声的强度大小，I 是单位矩阵，表示每个像素独立地加上随机扰动。
    Σ=βtI\Sigma = \beta_t \mathbf{I}

二、NeRF三维重建

第二种“披皮肤”的魔法，是从真实物体上“复制皮肤”。想象你围着雕像摆一圈手机，同时按下快门，从 30 个角度拍下照片。NeRF 就是那位“多角度记忆大师”：它盯着这些照片，在脑子里建立起一个立体的“皮肤档案”——空间的每一个点，从哪个方向看过去是什么颜色、密度（有多实心）是多少，统统记下来。以后你随便换个新角度问它，它都能告诉你“这个角度应该看到什么样”。

传统摄影测量也做类似的事，但 NeRF 的独特之处在于：它用一个神经网络直接编码整个场景。输入一个三维坐标和观察方向，网络输出该点的颜色和密度。密度大表示“这里有物体表面”，密度接近零表示“这里是空气”。训练完成后，查询足够多的点，就能还原出完整的三维模型和纹理贴图。

渲染时，NeRF 从相机中心发出一条射线，沿射线等间隔采样几十个点，把每个点的预测颜色乘以“能透过前面障碍到达相机”的比例，再累加起来，得到像素最终颜色：

回到“皮肤档案”的比喻：NeRF 的训练就是反复用照片里的真实颜色校对记忆。被几十张照片校准之后，你从任意角度提问，它都能准确描述那层皮肤。更棒的是，这层“档案”还能导出成普通贴图，直接送到游戏引擎和渲染器里使用。

C(r)=∫tntfT(t)×σ(r(t))×c(r(t),d) dt,T(t)=exp⁡(−∫tntσ(r(s)) ds)\displaystyle C(r) = \int_{t_n}^{t_f} T(t) \times \sigma(r(t)) \times c(r(t), d) \, dt, \qquad T(t) = \exp\left(-\int_{t_n}^{t} \sigma(r(s)) \, ds\right)
  1. 射线位置 r(t)从相机出发沿视线方向走 t 距离处的点，o 是相机位置，d 是视线方向。
    r(t)=o+t×dr(t) = o + t \times d
  2. 密度 σ该点的“实心程度”，值越大表示越能挡住后面的光，是透明的反义词。
    σ(r(t))\sigma(r(t))
  3. 透射率 T(t)光线从相机走到该点仍然“没被挡住”的概率，沿途密度越大，这个值衰减得越快。
    T(t)=exp⁡(−∫tntσ(r(s)) ds)T(t) = \exp\left(-\int_{t_n}^{t} \sigma(r(s)) \, ds\right)
  4. 颜色积分把所有采样点对像素颜色的“贡献”累加，贡献量等于颜色 × 透射率 × 密度。
    C(r)=∫tntfT(t)×σ(r(t))×c(r(t),d) dtC(r) = \int_{t_n}^{t_f} T(t) \times \sigma(r(t)) \times c(r(t), d) \, dt

三、传统对比优势

在“魔法织布机”出现以前，给雕像披皮肤靠的是“手工刺绣”：美术师拿到一张 UV 展开图，用数位笔一格一格地描。布料上每道褶皱、每个污渍都得亲手画，一尊雕像的贴图常常要画一两个星期。AI 流程则是“魔法织布机”——几分钟到几小时，就能织出同样甚至更细腻的皮肤。这就是效率的质变。

从流程看，传统纹理制作是“人 → 软件 → 贴图”，AI 纹理生成是“采集/描述 → 模型 → 贴图”。省下的不只是画笔功夫，还有大量返工。传统流程最痛的点是表面细节密度：手工很难还原自然的微小起伏，而 AI 生成或照片重建能轻松获得照片级的细节。下面用一个简单的倍数来量化这种提升：

当然，魔法织布机也需要人盯着：要写提示词、挑瑕疵、调细节。但把“一针一线绣”变成“按一下按钮织、再拿绣针补几处”，已经让交付节奏从“月”缩到“周”甚至“小时”。这正是影视和游戏项目最看重的东西——时间就是预算。

E=T传统TAI=15×8 小时3 小时=40\displaystyle E = \frac{T_{\text{传统}}}{T_{\text{AI}}} = \frac{15 \times 8 \ \text{小时}}{3 \ \text{小时}} = 40
  1. 传统工时 T_传统一名美术师手工制作完整 PBR 贴图（颜色、粗糙度、法线等全套）通常要 15 个人天。
    T传统=15×8 小时T_{\text{传统}} = 15 \times 8 \ \text{小时}
  2. AI 工时 T_AI用 AI 生成加人工精修的时长，首次搭建流程略久，熟练后只需 3 小时左右。
    TAI=3 小时T_{\text{AI}} = 3 \ \text{小时}
  3. 效率倍数 E两者相除，表示 AI 流程比传统方式快多少倍。
    E=T传统TAI=40E = \frac{T_{\text{传统}}}{T_{\text{AI}}} = 40

四、工具选型指南

既然 AI“织布机”有好几个品牌，怎么选？这就像逛一家魔法超市：有的织布机擅长织丝绸（照片级写实），有的擅长织粗麻布（风格化卡通），还有的能边织边替你补线头（自动修复接缝）。没有全能的魔杖，只有趁手的家伙。选型的第一步，是弄清楚你要的是“照片真实的皮肤”还是“风格化的皮肤”。

目前工具大致分三类：纹理生成工具包括 Stable Diffusion、MidJourney 配合 ControlNet 等插件，适合从文字或草图创造新纹理；NeRF 重建工具包括 Nerfstudio、Instant-NGP、Luma AI，适合从照片还原真实物体；渲染集成工具包括 Blender、Unreal Engine、Substance 3D Painter，负责把贴图变成最终画面。三者的分工，恰好对应“织、采、穿”三个环节。

为了减少纠结，可以给候选工具打一个加权分，用各项目标的重要性做权重：

逛完魔法超市你会发现：想要照片级的皮肤、预算又充足，首选 NeRF 重建工具加专业渲染引擎；只想快速给低模穿件“新衣服”，Stable Diffusion 加 Blender 就足够。把四项分数按自己的权重一加权，答案自然浮出水面。

S=0.4×Q+0.3×E+0.2×U+0.1×C\displaystyle S = 0.4 \times Q + 0.3 \times E + 0.2 \times U + 0.1 \times C
  1. 质量分 Q纹理分辨率上限、细节还原度、无缝平铺能力，影视项目最看重这项。
    Q∈[0,10]Q \in [0, 10]
  2. 效率分 E生成速度、批量处理能力、自动化程度，量产团队会盯着它。
    E∈[0,10]E \in [0, 10]
  3. 易用分 U上手门槛、文档教程丰富度、插件生态，小团队和新手最依赖它。
    U∈[0,10]U \in [0, 10]
  4. 成本分 C分值越高代表越省钱（开源免费工具得分高），预算有限时权重加大。
    C∈[0,10]C \in [0, 10]

五、质量调优策略

当 AI 织出的皮肤“远看还行，近看露馅”时，就到了“调质地”环节。这就像化妆师决定用多少号粉底：颗粒太粗会让眼角起皮（纹理糊成一片），颗粒太细又浪费昂贵的粉底液（撑爆显存）。纹理分辨率就是这瓶粉底液的浓度——选多大，取决于镜头离模特多近。

纹理分辨率直接决定细节的极限。1024×1024 适合手机模型，2048×2048 适合主机游戏，4096×4096 才是影视级特写。单纯堆分辨率还不够，还要配合 Mipmap（为同一张贴图生成多级缩小预览，防止远处闪烁）和超分辨率（如 ESRGAN 对低清贴图做细节增强）。屏幕上模型占的面积和贴图像素面积不匹配时，实际感知的清晰度会打折扣：

选粉底不仅要看场合，还要会补妆：接缝、拉伸、脏点这类局部瑕疵，用 AI 局部重绘（inpainting）点掉，就像化妆师拿遮瑕笔盖住法令纹。近景特写用高分辨率，远景群像用低分辨率，中间过渡交给 Mipmap——这套组合拳打下来，“皮肤”才能真正扛住 4K 镜头的检验。

Reff=Rbase×SrenderStarget\displaystyle R_{\text{eff}} = R_{\text{base}} \times \sqrt{\frac{S_{\text{render}}}{S_{\text{target}}}}
  1. 基础分辨率 R_base贴图本身的边长像素数，例如 2048。
    Rbase=2048R_{\text{base}} = 2048
  2. 屏幕面积 S_render模型在渲染画面中占据的像素面积，镜头推近时它会变大。
    Srender=W×H×覆盖率S_{\text{render}} = W \times H \times \text{覆盖率}
  3. 贴图面积 S_target贴图的像素总面积，等于宽乘高。
    Starget=Rw×RhS_{\text{target}} = R_w \times R_h
  4. 开根号校正分辨率是边长方向的量，面积比要先开方再乘回去，才能估算出有效清晰度。
    Reff=Rbase×SrenderStargetR_{\text{eff}} = R_{\text{base}} \times \sqrt{\frac{S_{\text{render}}}{S_{\text{target}}}}

六、实战流程规范

从“拍照—化妆—上T台”的完整流程看，AI 纹理制作就像一场精心安排的时装发布会：采集是试装，重建是打底，生成是上妆，清洗是修容，集成是走台，验证是返图。任何一个环节掉链子，模特都可能当众脱妆。所以流程规范不是形式主义，而是质量的生命线。

一次标准的 NeRF + AI 纹理项目包含六个环节：数据采集要围绕物体录制 30 到 300 张照片，覆盖所有角度、光线均匀、避免反光；三维重建用 Nerfstudio 等工具训练并导出模型，得到几何和初始贴图；AI 纹理生成用扩散模型补全缺失角度的纹理或重新生成风格化贴图；清洗与修复消除接缝、修补拉伸、统一光照；集成渲染在 Blender 或游戏引擎里绑定材质，设置粗糙度、金属度等 PBR 参数；验证输出在多种光照下渲染检查，确保没有明显瑕疵。

验证环节可以用一个简短的质量评分来量化是否达标：

一场成功的“AI 披皮”发布会，不会允许模特走到一半脱妆。把六个环节当成流水线，每道工序设好质量检查点，才能在交付前及时发现问题。数据采集扎实、重建干净、生成有风格、清洗彻底、集成规范、验证严格——六个步骤走完，一尊“会呼吸的雕像”就诞生了。

Q=P细节+C连续+S无缝3\displaystyle Q = \frac{P_{\text{细节}} + C_{\text{连续}} + S_{\text{无缝}}}{3}
  1. 细节还原度 P_细节检查毛孔、织物纹理、磨损痕迹是否清晰可辨。
    P细节∈[0,100]P_{\text{细节}} \in [0, 100]
  2. 色彩连续性 C_连续检查模型表面是否存在颜色突变或明暗不一致。
    C连续∈[0,100]C_{\text{连续}} \in [0, 100]
  3. 无缝程度 S_无缝检查 UV 接缝处是否肉眼可见，贴图平铺是否有重复感。
    S无缝∈[0,100]S_{\text{无缝}} \in [0, 100]

AI 应用场景

影视级道具贴图

阶段：NeRF 三维重建 + AI 纹理生成

解决的问题：传统影视道具贴图需要美术师对着实物手工绘制，一件旧武器、一套古代盔甲要花数周才能做出照片级质感。AI 流程只需围着实物拍一圈视频，NeRF 重建出几何和基础贴图，再用扩散模型补全细节，几天内交付。

具体案例：一部古装剧需要一把做旧的长剑道具。团队用手机环绕拍摄 3 分钟视频，导入 Nerfstudio 重建出模型；接着用 Stable Diffusion 配合 ControlNet 生成磨损纹理，局部重绘补上剑刃反光；最后在 Unreal Engine 中渲染成片，全程 3 天完成，而传统流程预估要 3 周。

3D 资产库批量生产

阶段：扩散模型纹理生成 + 渲染集成

解决的问题：游戏项目需要几十上百个风格统一的岩石、砖墙、木箱资产，手工逐一绘制贴图成本极高。AI 可以用同一套提示词模板批量生成，再统一调色，保证资产库的风格一致性。

具体案例：某开放世界游戏需要 200 个风格统一的岩石资产。团队写好一套风格化岩石的提示词，配合程序化生成的粗糙网格，批量产出 4K 贴图；美术师只负责统一色调和粗糙度参数，制作周期从 6 个月压缩到 6 周。

虚拟角色皮肤细节修复

阶段：质量调优与瑕疵修复

解决的问题：虚拟角色重光照后常出现皮肤接缝、纹理拉伸、高光异常等问题，传统做法是回到 3D 软件里手动调整 UV 或重新绘制，费时费力。AI 局部重绘可以精准命中问题区域，只改该改的地方。

具体案例：一个虚拟主播的角色模型在侧面特写镜头下出现明显接缝。美术师把接缝对应的 UV 区域导出成小图，用 AI 重绘补平细节，再叠加回原贴图；整个过程不到半小时，避免了整张贴图重做的灾难。

Python 演示

python63 行
import numpy as np  class SimpleNeRF:    """玩具版 NeRF：用球体集合代替网络权重，演示体渲染如何合成图像"""     def __init__(self, spheres):        self.spheres = spheres     def query(self, point, direction):        """查询空间某点的密度与颜色（模拟神经网络前向计算）"""        density = 0.0        color = np.zeros(3)        for center, radius, albedo in self.spheres:            dist = np.linalg.norm(point - center)            if dist < radius:                weight = 1.0 - dist / radius                density += weight                color += np.array(albedo) * weight        if density > 0:            color /= density        return density, color     def render(self, origin, direction, step=0.02, max_t=3.0):        """沿射线做体渲染：密度换透明度，颜色按透射率累积"""        trans = 1.0        rgb = np.zeros(3)        t = 0.0        while t < max_t and trans > 0.01:            point = origin + direction * t            density, color = self.query(point, direction)            alpha = 1.0 - np.exp(-density * step)            rgb += trans * alpha * color            trans *= 1.0 - alpha            t += step        return rgb  def main():    # 两个球体：红色在中心，蓝色在右上方    model = SimpleNeRF([        (np.array([0.0, 0.0, 0.0]), 0.8, (0.9, 0.2, 0.2)),        (np.array([0.8, 0.2, 0.0]), 0.5, (0.2, 0.6, 0.9)),    ])     # 相机放置在 z = -2.5 处，渲染一张 32x32 的缩略图    cam = np.array([0.0, 0.0, -2.5])    w = h = 32    image = np.zeros((h, w, 3))    for y in range(h):        for x in range(w):            nx = (x / (w - 1) - 0.5) * 2.0            ny = (y / (h - 1) - 0.5) * 2.0            d = np.array([nx, ny, 1.0])            d /= np.linalg.norm(d)            image[y, x] = model.render(cam, d)     np.save("nerf_preview.npy", image)    print("渲染完成，图像平均颜色 =", image.mean(axis=(0, 1)))  if __name__ == "__main__":    main()
目的：用玩具球体场景模拟 NeRF 的核心体渲染流程，从相机视角发射射线，合成一张缩略图，直观展示“密度 + 颜色 → 像素”的管道。
  1. density += weight距离球心越近密度越高，模拟“这里越不透明”
  2. alpha = 1.0 - np.exp(-density * step)体渲染的核心步骤：把密度换算成该小段的透明度
  3. rgb += trans * alpha * color颜色按透射率累积到像素，前面越透明，这一段贡献越大
  4. trans *= 1.0 - alpha穿过物体后光线被削弱，透射率不断衰减
  5. image[y, x] = model.render(cam, d)逐像素发射光线，最终拼出整张图

常见误区

误区“我在工具里打个'古代战损石板'，它就应该直接给我一张能用的成品贴图，拖进引擎就能渲染。” 结果生成出来发现 UV 对不上、有接缝、还要自己调粗糙度，顿时觉得 AI 是个骗子。

正解AI 生成的是“半成品布料”，不是“成衣”。贴图要跟模型的 UV 严格对齐，还要经过烘焙、接缝修补、PBR 参数编码等后处理，才能让渲染器“穿”得上。就像裁缝剪完布还要缝纫、熨烫、上身调整，AI 只是把最累的“织布”环节变快了。

为何常见：AI 绘画工具展示的成品图太惊艳，让人忽略了“生成一张好看的画”和“生成一张能用的贴图”之间隔着工程化的鸿沟。

误区“我用 NeRF 重建了一个雕像，训练完应该得到 .obj 文件，直接拖进 Unity 就行。” 结果发现拿到的是一堆神经网络权重或体素数据，根本不知如何导入引擎。

正解NeRF 本质是“隐式场景表示”，它输出的不是三角网格，而是对空间颜色和密度的连续描述。要进入传统渲染管线，必须先做网格提取（如 Marching Cubes）再烘焙贴图。NeRF 更像“3D 扫描仪的原片”，而不是“修好的成片”。

为何常见：NeRF 渲染出来的视频效果太像实拍完的成片，让人误以为它内部就存着一个现成的模型。

误区“直接把贴图设成 8192×8192，细节肯定拉满，质量绝对顶。” 结果渲染时内存爆了，画面反而因为过度锐化显得又脏又糊。

正解高分辨率是“上限”而不是“质量”。照片或生成源本身模糊时，高分辨率只会放大模糊；UV 展开不合理时，高分辨率还会白白烧掉显存。正确的做法是根据镜头距离、模型大小和硬件预算选择合适的分辨率，并用 Mipmap 管理多级细节。

为何常见：分辨率是个直观的量化指标，人们容易被“数字大 = 好”的直觉带走，忽略了纹理质量的真正瓶颈在采集和语义细节。

误区“AI 都能自动出贴图了，美术师还要干嘛？这岗位迟早消失。” 于是团队盲目砍掉美术编制，结果生成出来的资产风格混乱、接缝百出、无人能修。

正解AI 替代的是重复劳动，不是审美决策。提示词设计、风格控制、瑕疵修复、PBR 调参、光照验证都需要美术经验。工具越强，对“如何使用工具”的判断力要求反而越高——就像照相机没让画家失业，反而催生了摄影指导这个新职业。

为何常见：技术演示视频总是展示“一键生成”的高光时刻，却从不展示背后模型微调、数据清洗、质量把控的日常。媒体放大“替代”叙事，人对自身专业价值容易产生误判。

面试题

Q1. 当前 AI 图像/纹理生成最主流的模型架构是哪一种？

单选题 · easy

  • A.扩散模型（Diffusion Model）← 正确答案
  • B.循环神经网络（RNN）
  • C.支持向量机（SVM）
  • D.多层感知机（MLP）

答案：A。扩散模型通过“先加噪再学去噪”的方式生成图像，Stable Diffusion、MidJourney 等主流工具都基于它。RNN 适合序列数据，SVM 和 MLP 不具备高维图像生成能力。就像“擦除师”必须受过“泼墨—擦除”训练才算合格，扩散模型正是那个训练过程。

Q2. UV 贴图展开在纹理制作中的作用是什么？

单选题 · mid

  • A.压缩贴图的文件体积
  • B.把 3D 表面摊平成 2D 画布← 正确答案
  • C.增加模型的顶点数量
  • D.让模型自动计算光照

答案：B。UV 展开是把三维模型表面拆开、摊平成二维平面，让 2D 贴图能一一对应到 3D 表面，类似把地球仪摊成世界地图。压缩体积、加顶点、算光照都不是 UV 的职责。

Q3. 经典 NeRF 神经网络的输入包含哪些信息？

多选题 · mid

  • A.空间点三维坐标← 正确答案
  • B.观察方向光线角度← 正确答案
  • C.拍摄时的具体时间
  • D.照片文件的大小

答案：AB。NeRF 的输入是 5D 坐标：3D 位置（x,y,z）加上 2D 观察方向（θ,φ），输出该点的颜色和密度。拍摄时间、文件大小等元数据不属于网络输入，它们只是训练数据本身的附加属性。

Q4. 体渲染公式中 σ(r(t)) 表示该点的什么属性？

单选题 · mid

  • A.该点的材质密度← 正确答案
  • B.该点的表面颜色
  • C.该点的空间距离
  • D.该点的光照强度

答案：A。σ 代表密度，决定该点“挡光”的程度：密度越大，后面物体透过来的光线越少。颜色由 c(r(t),d) 表示，距离由参数 t 表示，光照由渲染方程独立处理。密度就像皮肤的“实心程度”，越实心越能挡住视线。

Q5. NeRF 与传统摄影测量相比，核心差异是什么？

单选题 · mid

  • A.网络隐式编码场景← 正确答案
  • B.需要拍摄更少照片
  • C.无法输出高分辨率
  • D.只支持静态物体

答案：A。NeRF 用神经网络把整个场景隐式地编码成“颜色 + 密度”的连续函数，而传统摄影测量主要靠匹配特征点生成点云和网格。它反而常常需要更多照片来收敛，也支持高分辨率输出和动态场景，因此 B、C、D 都不对。

Q6. 一条 AI 纹理生成管线通常包含哪些环节？

多选题 · mid

  • A.扩散模型生成贴图← 正确答案
  • B.UV 展开与贴图烘焙← 正确答案
  • C.多视角照片重建（NeRF）← 正确答案
  • D.手工雕刻模型顶点

答案：ABC。AI 纹理管线从数据出发：要么用扩散模型直接生成，要么用 NeRF 重建真实纹理，之后都离不开 UV 展开和烘焙环节。手工雕刻顶点是传统建模流程，与 AI 纹理生成无关。

Q7. 关于扩散模型的正向过程，描述正确的是哪一项？

单选题 · hard

  • A.从纯噪声逐步恢复原图
  • B.从原图逐步添加噪声← 正确答案
  • C.一次性模糊整张图片
  • D.对图片进行无损压缩

答案：B。正向过程是从干净图像开始，按 β_t 控制的强度逐步加入高斯噪声，直到图像变成纯噪声；反向过程才是“从噪声恢复原图”。Beta 曲线是渐变调参而非一次模糊，整个过程也完全不是压缩。

Q8. 一张 4096×4096 的 RGBA 纹理贴图约占多少显存？

单选题 · hard

  • A.约 16 MB 显存
  • B.约 64 MB 显存← 正确答案
  • C.约 256 MB 显存
  • D.约 1 GB 显存

答案：B。4096 × 4096 = 16,777,216 个像素，RGBA 每像素 4 字节，共约 67 MB，通常说 64 MB。16 MB 对应 2048²，256 MB 对应 8192²。这个估算在规划贴图分辨率和显存预算时很有用。

Q9. 下列哪些手段能有效提升纹理的最终观感质量？

多选题 · hard

  • A.提高贴图生成分辨率← 正确答案
  • B.使用 Mipmap 多级纹理← 正确答案
  • C.在接缝处执行局部重绘← 正确答案
  • D.减小贴图的颜色深度

答案：ABC。提高分辨率能容纳更多细节，Mipmap 消除远处闪烁和摩尔纹，局部重绘专门修补接缝和瑕疵，这三者分别应对“细节、稳定性、完整性”三个维度。减小颜色深度会丢失渐变信息，反而降低质量。

Q10. 体渲染中，一条射线对应的最终像素颜色是如何得到的？

单选题 · mid

  • A.所有采样点颜色等权混合
  • B.按透明度加权累积合成← 正确答案
  • C.取最近采样点的颜色
  • D.取最远采样点的颜色

答案：B。每个采样点的颜色要乘以它前面的透射率和自身的密度权重，再逐段累加——前面越透明，后面点的贡献越大，最终得到正确的像素色。等权混合会把背景和前景搅在一起，只取单点会丢失物体内部的体积信息。