想象你正在为游戏世界“捏”地形：山峰、云朵、火焰、木纹，全都希望自动生成，而不是一块一块手工雕刻。如果直接往平面上撒一把随机数，得到的是一堆孤立噪点，像打翻的线团；但如果先在绣布上打方格，在每个交叉点埋一根方向随机的小线头，再用柔和渐变色把格与格之间的缝隙填满，就能绣出连绵起伏、看起来像真山岭的图案。这套“方格绣法”就是 Perlin 噪声。另一位绣娘发现，方格绣在四针交汇处容易起皱，于是改用三角形拼布来绣，针脚更少、接缝更顺滑——这就是 Simplex 噪声。这篇文章会用“刺绣峰峦图”这个比喻，带你拆解两种噪声的底层原理、梯度计算、插值细节，以及为什么叠加多层之后，山会越来越像山。

岗位关联

程序化内容生成（PCG）是游戏开发与 AI 美术管线的重要地基。掌握 Perlin/Simplex 噪声的原理，你才能读懂地形、材质、特效背后的自动生成逻辑，做出可复现、可调参的高质量内容。

目录
  1. 可视化演示
  2. 噪声基础：乱线团里的秩序
  3. 梯度机制：每根线头都有自己的方向
  4. Perlin流程：一针一线把四个角缝起来
  5. Simplex改进：三角拼布，少缝两针
  6. 分形叠加：层层叠绣出高山碎石
  7. 典型应用：山川、云雾与纹理
  8. 工程实践：绣娘的工具箱
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示数据包在多阶段处理管道中的流动过程，包含输入、变换、过滤、输出四个阶段，支持调节流速观察吞吐量变化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

数据流处理管道 数据包从左到右流经四个处理阶段 每个节点对数据进行变换和过滤 吞吐量 = 数据包数 / 处理时间 调整流速观察管道性能变化

噪声基础：乱线团里的秩序

绣娘阿琳第一次拿到一堆彩色丝线时，试着把线随意甩在布上——结果是一团杂乱线头，谁也看不出山形。她这才明白：自然界的山峰、云朵、树纹并不“完全随机”，而是“局部相近、整体随机”的。真正的随机数是每一点都毫无关联，像洒了一地的芝麻；而像 Perlin 这样的噪声，则是一匹被温柔拉伸过的布，远处看有变化，近处看又连续。

这正是“噪声”与“随机”的分水岭。随机数你连续采十个点，十个点互不相干；噪声却保证相邻坐标的值缓慢起伏。用数学语言说，噪声是一个以坐标为输入、以数值为输出的确定性函数：同一个坐标，无论调用多少次，都返回同一个值；坐标稍微挪一点，返回值也只稍微变化一点。这种“可复现”特性极其重要，因为程序需要随时重新生成同样的世界，而不是每次打开游戏都换一副新面孔。

程序化内容生成的价值也因此而来：不需要美术手绘整张大地图，只需要几行噪声代码加一个种子（seed），就能在任意时刻、任意地点生成无限延伸的地形。绣娘不需要预先把整座山绣完，她只需要掌握“针法”，走到哪儿绣到哪儿。自然感则来自噪声本身的平滑性——山峰不是一根一根竖立的筷子，而是彼此勾连、渐变的曲线，这正是噪声函数天生具备的连续性格局。

回到绣布上：乱线团是随机，峰峦图是噪声。Perlin 噪声之所以能成为程序化生成的“针法基础”，正是因为它把“无序”和“秩序”用一块连续布匹缝合了起来。

n(p⃗):R2↦[0,1]n(\vec p): \mathbb{R}^{2} \mapsto [0,1]
这个式子说明：噪声是一个“坐标进、数值出”的确定性函数，给定任意一个平面坐标，都会返回该点上的一个 0 到 1 之间的“明暗值”。
  1. $n$ 代表噪声函数它是一个绣工，给定绣布上的位置，就报出一个明暗程度。
    nn
  2. 输入 $\vec p$绣布上的任意一点，包含横、纵两个分量。
    p⃗=(x,y)∈R2\vec p=(x,y)\in\mathbb{R}^{2}
  3. 映射符号 $\mapsto$表示输入集合到输出集合的对应关系。
    R2↦[0,1]\mathbb{R}^{2} \mapsto [0,1]
  4. 输出区间 $[0,1]$所有结果都落在 0 到 1 之间，方便当作灰度、高度或密度使用。
    0≤n(p⃗)≤10 \le n(\vec p) \le 1

梯度机制：每根线头都有自己的方向

阿琳发现，想要绣出柔和的山坡，不能只给格子填色，得先在每个交叉点埋下“方向”。她画好方格后，在每个格点放一枚极小的箭头——有的朝右上方，有的朝左下方——这些箭头就像绣线在布面上“预埋”的走向。箭头指向哪个方向，附近布料就会被“牵”向哪个方向。

这一根根预埋箭头，在 Perlin 噪声里叫“梯度向量”（gradient vector）。梯度不是格点的颜色，而是格点对周围区域的“坡度指令”。当前要计算某个采样点的明暗值时，做法很简单：先确认这个点落在哪个格子；再连接采样点与四个格点，得到四条偏移向量；然后用每条偏移向量和对应格点的梯度做“点积”，算出一个标量贡献。点积的结果相当于在问：“我这根线头朝那个方向牵，能把它牵多大？”

那这些箭头是怎么“随机”选出来的？靠一个叫“哈希”的小机关。哈希函数接收格点的整数坐标，输出一个固定编号，再从预置的梯度表里选出一个方向。它像一本永远不变的绣谱：坐标 (3,2) 永远对应同一种箭头，不会因为第二次调用就变得不同。这个机制保证了噪声函数的“确定性”，也保证了整个世界可以被种子复现。

阿琳的明白之处在于：单独一根箭头看不出山，但把所有箭头穿在一起，布面就有了起伏的方向感。这就是梯度噪声比单纯“给格子填随机颜色”更像自然地貌的根本原因。

di=g⃗i⋅(p⃗−c⃗i)=gix(x−cix)+giy(y−ciy)d_i = \vec g_i \cdot (\vec p - \vec c_i)= g_{ix}(x-c_{ix}) + g_{iy}(y-c_{iy})
这个公式描述的就是一根箭头对一个点的“牵引贡献”：把格点上的梯度向量，与格点到采样点的偏移向量做内积。
  1. 格点中心 $\vec c_i$当前格子第 $i$ 个角点的坐标，例如左下角 $(x_0,y_0)$。
    c⃗i=(cix,ciy)\vec c_i=(c_{ix},c_{iy})
  2. 偏移向量 $\vec p-\vec c_i$从格点指向采样点的小箭头，表示采样点离这根“线头”有多远、在哪个方向。
    p⃗−c⃗i=(x−cix, y−ciy)\vec p-\vec c_i=(x-c_{ix},\ y-c_{iy})
  3. 梯度向量 $\vec g_i$格点上预埋的方向箭头，来自哈希查表。
    g⃗i=(gix,giy)\vec g_i=(g_{ix},g_{iy})
  4. 点积 $\cdot$把两个向量的对应分量相乘再相加，得到一个标量。
    gix(x−cix)+giy(y−ciy)g_{ix}(x-c_{ix})+g_{iy}(y-c_{iy})
  5. $d_i$ 贡献值$d_i$ 大于 0 表示“顺着箭头方向”，小于 0 表示“逆着箭头方向”，最后会参与插值合成。
    di∈Rd_i \in \mathbb{R}

Perlin流程：一针一线把四个角缝起来

现在阿琳要在某个采样点落针。她先找到这个点落在哪个方格，就像裁缝先找到布上的定位线；然后取出该方格四个角的“预埋箭头”，分别计算贡献。然而，如果直接对四个贡献做普通线性插值，接缝处会出现明显的折痕，像两块颜色不同的布硬拼在一起。

Perlin 的解决办法，是引入一条特别设计的“缓动曲线” $w(t)$。这条曲线在 $t=0$ 和 $t=1$ 两端的斜率都是 0，因此在格子边界上，渐变的“速度”正好为零——两格交界处不会出现突然拐弯，绣布就像被蒸汽熨斗抚平过一样。这个缓动函数常被称为 smoothstep，是 Perlin 噪声平滑感的灵魂。

最终的噪声值，就是先用 $w(x)$ 在水平方向把左边两点、右边两点分别插值，再用 $w(y)$ 在垂直方向把两个中间结果再插值一次——也就是“双线性插值”。四根箭头、两次插值、一条缓动曲线，阿琳手中的绣布便从方格子变成了一座连绵的峰峦。动画演示里第一层那团平滑的云雾，就是这一步的功劳。

阿琳的针脚之所以看不出接缝，正是因为每次落针都在格子边缘“轻轻放、轻轻收”。一个 smoothstep，就把方格绣的棱角全部软化成了山的曲线。

w(t)=3t2−2t3w(t)=3t^{2}-2t^{3}
$t$ 是采样点在格子内的局部比例，$w(t)$ 把 $t$ 从普通的线性比例“拧”成两端平滑过渡的权重。
  1. 局部坐标 $t$$t=0$ 表示贴着格子左/下边，$t=1$ 表示贴着右/上边。
    0≤t≤10 \le t \le 1
  2. 二次项 $3t^{2}$负责让权重起步平滑，不出现陡峭突变。
    3t23t^{2}
  3. 三次项 $-2t^{3}$负责在末端“收住劲”，让变化率归零。
    −2t3-2t^{3}
  4. 端点性质$w(0)=0$、$w(1)=1$，且两端一阶导数为 0，因此相邻格子在边界处连续且平滑。
    w′(0)=w′(1)=0w'(0)=w'(1)=0

Simplex改进：三角拼布，少缝两针

方格绣虽然温柔，但阿琳注意到一个问题：正方形格子在斜方向上特别容易“拧巴”，四根线头汇到一处时，偶尔会冒出小疙瘩。另一位绣娘提出改用三角形拼布——把每个方格沿对角线切成两个三角形。这样每个采样点最多只需要同时关照三个顶点，而不是四个，针脚更省，结构也更自然。

Simplex 噪声就是这样一次“换布”式的改革。它先用一个坐标倾斜变换，把普通坐标系里的正方形网格，变形成由等边三角形铺成的网格；然后找到采样点所在的三角形，只对这三个顶点做贡献求和。权重不再是双线性插值，而是一个“径向衰减”公式：距离越近，贡献越大；超过一定半径，贡献直接归零。因为三角形比正方形更紧凑，所以需要计算的顶点从 4 个降为 3 个，维度越高省得越多。

从效果上看，Simplex 噪声比 Perlin 更少出现方向性的人为痕迹，纹理更“干净”；从性能上看，2D 下每层少算一个格点，到 3D、4D 时差距更加明显。阿琳拿起三角形拼布试了试，发现峰峦还是那座峰峦，但针脚轻松了不少，接缝也更顺了。

三角拼布的好处，阿琳在绣第三座山时感受得最明显：同样的峰峦，只需要更少的针脚，而且再也没有方格绣那种斜向的小褶皱。这就是 Simplex 在“低格点数”与“平滑度”之间找到的平衡点。

n(p⃗)=∑k=02(r2−∥d⃗k∥2)4(g⃗k⋅d⃗k)n(\vec p)=\sum_{k=0}^{2}\left(r^{2}-\lVert \vec d_k \rVert^{2}\right)^{4}\left(\vec g_k \cdot \vec d_k\right)
这里 $k$ 从 0 到 2，对应三角形三个顶点；$\vec d_k$ 是采样点到第 $k$ 个顶点的距离向量。
  1. 三个顶点 $k=0,1,2$2D Simplex 中每个点只需关注所在三角形的三个角。
    ∑k=02\sum_{k=0}^{2}
  2. 距离平方 $\lVert \vec d_k \rVert^{2}$衡量采样点离哪根线头近，距离越远权重越小。
    ∥d⃗k∥2=(x−xk)2+(y−yk)2\lVert \vec d_k \rVert^{2}=(x-x_k)^{2}+(y-y_k)^{2}
  3. 影响半径 $r^{2}- \lVert \vec d_k \rVert^{2}$距离超过 $r$ 时该顶点不再影响当前采样点。
    r2−∥d⃗k∥2≥0r^{2}-\lVert \vec d_k \rVert^{2} \ge 0
  4. 四次方 $(\cdot)^4$让权重在与 $r$ 交汇处也平滑归零，不产生接缝。
    (r2−∥d⃗k∥2)4\left(r^{2}-\lVert \vec d_k \rVert^{2}\right)^{4}
  5. 梯度点积项继续沿用 Perlin 的梯度思想，用顶点箭头牵引出方向变化。
    g⃗k⋅d⃗k\vec g_k \cdot \vec d_k

分形叠加：层层叠绣出高山碎石

单层噪声像一片温柔起伏的沙丘，和真正的大山还差得远——真山有绵延千里的主脊线，也有近处细碎的岩石裂纹。阿琳想通了一个道理：一层绣布只表现一种尺度的起伏；如果把不同粗细的针脚叠着绣，大尺度山脉套小尺度碎石，自然感就出来了。

这就是“分形噪声”，也叫 fBm（fractal Brownian motion，分形布朗运动）。做法是把同一套噪声函数按倍数缩放：第一层频率最低、振幅最大，负责大骨架；第二层频率翻倍、振幅减半，负责中细节；第三层频率再翻倍、振幅再减半，负责更多的碎石纹理。每一层被称为一个“八度”（octave），就像音乐里每升高八度，频率就翻一番。

调参时主要看三个旋钮：八度数 $N$ 控制细节层数；频率倍数 $f$（常取 2）控制每次加密的密度；振幅衰减 $a$（常取 0.5）控制每层对总高度的贡献比例。层数太少，地形像馒头；层数太多，计算量上升且画面可能发花。阿琳的经验是：先定骨架层，再逐层加细节，直到“远看有山、近看有石”。

阿琳把三层绣布叠在一起后，山脊与碎石同时呈现。所谓“鬼斧神工”的分形感，其实只是一句重复的绣法：大套小，小套更小，层次无穷。

fBm(p⃗)=∑i=0N−1ai n(fip⃗),f=2,  a=0.5\mathrm{fBm}(\vec p)=\sum_{i=0}^{N-1}a^{i}\,n\left(f^{i}\vec p\right),\qquad f=2,\;a=0.5
把 $N$ 层噪声按“频率倍增、振幅减半”的规律加起来，得到既有大山又有碎石的地貌值。
  1. 八度数 $N$总共叠几层针脚，$N$ 越大细节越丰富，计算量也越大。
    N∈{1,2,3,… }N \in \{1,2,3,\dots\}
  2. 频率项 $f^{i}$第 $i$ 层把坐标缩放 $2^{i}$ 倍，让起伏更“密”。
    fi=2if^{i}=2^{i}
  3. 振幅项 $a^{i}$第 $i$ 层把高度缩小 $0.5^{i}$，让高层细节只做“微调”。
    ai=0.5ia^{i}=0.5^{i}
  4. 求和归一所有层叠加并归一化，使最终结果仍然落在 $[0,1]$。
    ∑i=0N−1ai n(fip⃗)\sum_{i=0}^{N-1}a^{i}\,n(f^{i}\vec p)

典型应用：山川、云雾与纹理

绣法学会了，该绣什么？第一个最直接的应用是地形生成：把 fBm 的计算结果当成高度值，得到的就是一片片程序化山峦。游戏中“世界地图随机生成”的背后，通常就是一张由 Perlin 或 Simplex 噪声填充的高度图，种子一变，世界立刻换新。

第二个应用是云朵与火焰。这类效果不能只靠高度值，还需要“扭曲”：先对坐标采样一层噪声，再用该噪声的数值去偏移原始坐标，最后用偏移后的坐标重新采样。这样云朵的边缘会被“拧”出毛茸茸的轮廓，火焰会产生翻滚的卷舌感，这就是域扭曲（domain warping）。阿琳绣云朵时，不会画一朵标准的圆云，而是让针脚跟着风的方向微微摆动，出来的云才自然。

第三个应用是程序化纹理：木纹、岩石、布料、皮肤……都可以用多层噪声叠加颜色映射表得到。与普通位图贴图相比，程序化纹理几乎没有接缝、不占存储、还能支持无限放大级别。绣娘的作品不再受布幅限制，想要多宽阔的绣面都行。

阿琳的峰峦图终于有了完整用途：一针绣地形，一针绣风与火，再一针绣出木头和云石。噪声不是最终的画，而是画家手中那支会自动起伏的笔。

n′(x⃗)=n(x⃗+k⋅n(x⃗))n'(\vec x)=n\left(\vec x + k \cdot n(\vec x)\right)
先用原始噪声 $n(\vec x)$ 拿到一个扰动值，再去偏移坐标本身，最终产生流动、翻卷的效果。
  1. 基础噪声 $n(\vec x)$第一次采样，得到当前位置的基准明暗。
    n(x⃗)∈[0,1]n(\vec x) \in [0,1]
  2. 扰动偏移 $k \cdot n(\vec x)$把噪声值乘以强度系数，作为坐标的“拉扯力”。
    k⋅n(x⃗)k \cdot n(\vec x)
  3. 扭曲强度 $k$$k$ 越大，云和火焰拧得越猛；太小则几乎没有变化。
    k∈R+k \in \mathbb{R}^{+}
  4. 第二次采样 $n'$用被拉扯过的坐标重新进噪声函数，得到扭曲后的新场。
    n′(x⃗)=n(x⃗+k⋅n(x⃗))n'(\vec x) = n\left(\vec x + k\cdot n(\vec x)\right)

工程实践：绣娘的工具箱

真到了工程里，阿琳还要解决几个实际问题：第一是“种子”。想让不同的存档拥有不同的世界，只需给噪声函数加一个种子偏移：把采样坐标整体平移一个种子向量，山形就会跟着变化，而且同一种子下永远可复现。第二是参数调优。绘制大尺度地形图时，选择较低的频率和 3 到 5 个八度；制作精细纹理时，则要提高频率并发扬高频细节。性能与质量之间，始终靠“视距”和“分辨率”来权衡。

第三是性能对比。Perlin 在 2D 中每层需要处理 4 个格点，而 Simplex 只需要 3 个；随着维度升高，差距还会拉大，因为 Perlin 需要处理 $2^d$ 个格点，Simplex 只需要 $d+1$ 个。可问题在于，2D 下 Perlin 实现更简单、很多旧代码库都已完成高度优化，不一定要强行换成 Simplex。第四是选型建议：如果你的噪声主要用于二维纹理和简单地形，Perlin 完全够用；如果要生成 3D/4D 噪声，或者对导数连续性和计算量敏感，Simplex 更合适。

阿琳的工具箱里，方格绣和三角绣都不可少：绣细节密集的小幅纹理，方格绣熟门熟路；绣需要无限延伸的无缝大世界，三角绣更省力气。选针法没有唯一解，只看你要绣什么画、站在多远的地方看它。

CPerlin=4N,CSimplex=3NC_{\text{Perlin}}=4N,\qquad C_{\text{Simplex}}=3N
在叠加 $N$ 个八度时，2D Perlin 每层要访问 4 个格点，Simplex 每层只要 3 个格点。
  1. $N$ 八度层数fBm 中叠加的噪声层数。
    N=octavesN=\text{octaves}
  2. Perlin 系数 42D 正方形网格中，每个采样点周围有 4 个角点。
    CPerlin=4NC_{\text{Perlin}}=4N
  3. Simplex 系数 32D 三角剖分后，每个采样点周围只有 3 个顶点。
    CSimplex=3NC_{\text{Simplex}}=3N
  4. 相对开销同样八度下，Simplex 每层约少算 25% 的格点贡献。
    CPerlin−CSimplex=NC_{\text{Perlin}}-C_{\text{Simplex}}=N

AI 应用场景

游戏地形与无限世界生成

阶段：程序化内容生成（PCG）中的采样与合成阶段。

解决的问题：手工逐格雕刻地形极其耗时，且无法生成“无限世界”。Perlin/Simplex 噪声可以用几行代码加一个种子，生成任意大小、可复现的地形高度图，内存占用几乎为零。

具体案例：在《我的世界》类沙盒游戏中，每个方块的 y 坐标由 fBm(x, z) 计算得出。同一个种子、同一个坐标，永远得到同一个高度；玩家走远后，系统可以在后台按区块继续采样，真正做到无缝扩展。

云朵与火焰的动态扭曲

阶段：视觉内容批量化合成阶段。

解决的问题：静态贴图做云朵可以，但做流动的云、翻卷的火焰就显得假。手绘每一帧动画成本过高，而噪声的连续性和确定性让“随时间变化的自然扭曲”变得简单可控。

具体案例：在特效着色器中，用域扭曲公式把像素 uv 坐标先偏移再采样噪声，然后随动画时间推进，令扭曲中心不断移动。最终画面中，火焰舌片自然翻卷而不穿帮，云层缓慢流动而不跳变。

程序化纹理与 AI 数据增强

阶段：数据生成与增强阶段。

解决的问题：深度学习需要大量训练数据，但真实摄影纹理往往有版权、光照和接缝问题。程序化生成的噪声纹理天然无缝、可参数化批量生成，非常适合做数据增强。

具体案例：生成木纹、岩石、皮革等材质时，用多层噪声叠加做高度扰动，再映射到颜色表；还可以通过改变种子快速产生成百上千个变体，供 GAN 或扩散模型当作训练输入。

Python 演示

python59 行
import math GRADS = ((1, 1), (-1, 1), (1, -1), (-1, -1))  def grad_index(ix, iy, seed=0):    h = ix * 374761393 + iy * 668265263 + seed * 1442695040888963407    h = (h ^ (h >> 13)) * 1274126177    return (h ^ (h >> 16)) % 4  def dot_grad(ix, iy, x, y, seed=0):    gx, gy = GRADS[grad_index(ix, iy, seed)]    return gx * (x - ix) + gy * (y - iy)  def fade(t):    return t * t * (3 - 2 * t)  def perlin2(x, y, seed=0):    xi, yi = math.floor(x), math.floor(y)    xf, yf = x - xi, y - yi    u, v = fade(xf), fade(yf)    a = dot_grad(xi, yi, x, y, seed)    b = dot_grad(xi + 1, yi, x, y, seed)    c = dot_grad(xi, yi + 1, x, y, seed)    d = dot_grad(xi + 1, yi + 1, x, y, seed)    nx0 = a + (b - a) * u    nx1 = c + (d - c) * u    return (nx0 + (nx1 - nx0) * v + 1) / 2  def fbm(x, y, octaves=5, seed=0):    total = 0.0    amp = 0.5    freq = 1.0    norm = 0.0    for _ in range(octaves):        total += amp * perlin2(x * freq, y * freq, seed)        norm += amp        amp *= 0.5        freq *= 2.0    return total / norm  def main():    w, h = 64, 24    chars = " .:-=+*#%@"    for y in range(h):        row = []        for x in range(w):            v = fbm(x / 10.0, y / 5.0, octaves=5, seed=42)            row.append(chars[int(v * (len(chars) - 1))])        print("".join(row))  if __name__ == "__main__":    main()
目的：用纯 Python 实现二维 Perlin 噪声与五层 fBm 叠加，把生成的高度值渲染成字符地形剖面图。运行后，你会看到连绵的山脉纹理随 seed=42 固定重现。
  1. def perlin2(x, y, seed=0):输入一个平面坐标，返回 [0,1] 的 Perlin 噪声值。
  2. xi, yi = math.floor(x), math.floor(y)先用向下取整锁定当前方格，相当于“找到针脚落在哪一格”。
  3. a = dot_grad(xi, yi, x, y, seed)计算左下角格点梯度对当前点的贡献。
  4. nx0 = a + (b - a) * u水平方向第一次插值，把左右两个角点“缝”起来。
  5. return (nx0 + (nx1 - nx0) * v + 1) / 2垂直方向第二次插值，并映射到 [0,1]。
  6. total += amp * perlin2(x * freq, y * freq, seed)按当前八度的频率和振幅累加噪声层。
  7. row.append(chars[int(v * (len(chars) - 1))])把高度映射成字符，让山脉的起伏“肉眼可见”。

常见误区

误区“不就是生成几个随机小数吗？要多随机有多随机，和随机函数没区别。”

正解随机数之间完全没有关联，像撒了一地盐粒；噪声则强调“连续”——相邻坐标的值必须平滑过渡，并且同一个坐标永远返回同一个值。Perlin 噪声通过格点梯度 + 插值保证这一点。如果直接拿随机数填地形图，会得到像素雪花而不是山峦。

为何常见：名字里带“噪声”二字，且初次看到的噪声图确实杂乱无章，容易让人误判成随机序列。

误区“fBm 就是不断叠加更多层，层数越多细节越丰富，画面肯定越好。”

正解八度数增加会成倍放大计算量，而且当你渲染的分辨率或采样间距固定时，过高频率的细节会超过采样能力，产生“高频混叠”，画面出现细碎颗粒。实践上通常取 3~5 层，并结合视距与分辨率决定是否继续加层。

为何常见：因为演示里 1 层到 5 层的变化直观且惊艳，容易让人以为“更多层 = 更高级”。

误区“Simplex 是改良版，更高维、更平滑、性能更好，所以永远应该用 Simplex。”

正解在 2D 场景下，Perlin 实现简单、历史优化充分，视觉差异很小；Simplex 的真正优势在高维噪声和更低顶点数，同时它也带来更复杂的坐标变换实现。选型要看维度、平台、代码维护成本，而不是盲目追新。

为何常见：教科书和文章总强调 Simplex 的“改进”，却省略了它在工程落地中的复杂度和适用边界。

误区“每个格子内部随便存一个数字，然后插值就行，梯度就是那个数。”

正解梯度是一个方向向量（通俗说是“小箭头”），它决定周围区域往哪个方向倾斜；最终数值要靠“梯度向量与偏移向量做点积”得到。只用随机数字插值的是“值噪声”，效果会偏方块化，与 Perlin 的梯度噪声在旋转不变性和视觉质感上明显不同。

为何常见：初学者先接触简单插值填色，容易把 Perlin 中的梯度误认为是“更好的随机小数”。

面试题

Q1. Perlin噪声的本质是什么？

单选题 · easy

  • A.一串完全不相关的随机数
  • B.空间连续可复现的伪随机函数← 正确答案
  • C.对图像做傅里叶变换的结果
  • D.依靠深度神经网络学习的函数

答案：B。Perlin 噪声是“坐标进、数值出”的确定性函数，相邻坐标的值连续变化，同一个坐标永远得到同一个结果。A 是纯随机，C、D 与噪声生成机制无关。

Q2. Perlin噪声中，每个格点上保存的数据是什么？

单选题 · easy

  • A.一个随机的颜色值
  • B.一个方向向量即梯度← 正确答案
  • C.一个固定不变的常数
  • D.上一帧渲染的画面

答案：B。Perlin 在每个格点保存方向向量（梯度），它指示周围区域的坡度走向。颜色值是后续计算的结果，不是格点保存的底层数据。

Q3. 点积 \(\vec g_i\cdot(\vec p-\vec c_i)\) 在Perlin中的作用是什么？

单选题 · mid

  • A.计算格点之间颜色差值
  • B.计算梯度对当前点的方向贡献← 正确答案
  • C.将噪声值投影到屏幕上
  • D.随机生成本次采样的种子

答案：B。点积把一个方向向量和一个偏移向量合成一个标量，表示该格点对采样点的“顺坡/逆坡”牵引力。它不负责颜色差值、屏幕投影或种子生成。

Q4. Smoothstep函数 \(3t^2-2t^3\) 的主要目的是什么？

单选题 · mid

  • A.增加额外计算开销
  • B.让插值在两端平滑过渡← 正确答案
  • C.把二维坐标变成三维坐标
  • D.将噪声值强制裁剪到区间内

答案：B。smoothstep 在 \(t=0\) 和 \(t=1\) 两端的一阶导数为 0，保证格子边界处渐变速率归零，从而避免接缝痕迹。它不改变维度，也不做裁剪。

Q5. 在fBm分形噪声中，哪两个参数决定每一层的细节尺度和起伏强度？

多选题 · mid

  • A.频率，决定细节尺度← 正确答案
  • B.振幅，决定起伏强弱← 正确答案
  • C.纹理分辨率，决定颜色数量
  • D.光照方向，决定明暗分布

答案：AB。fBm 每层把频率翻倍并获得一半振幅，频率管“有多密”，振幅管“有多强”。纹理分辨率和光照方向属于渲染阶段，不属于噪声合成参数。

Q6. Simplex相比Perlin在2D中的重要改进是什么？

单选题 · mid

  • A.增加采样格点到八个
  • B.用三角形剖分取代正方形网格← 正确答案
  • C.完全去掉网格结构
  • D.改用指数函数计算噪声

答案：B。Simplex 将正方形剖分为三角形，使每个采样点只与 3 个顶点相关，减少计算量并改善方向性伪影。它没有去掉网格，更不是用指数函数。

Q7. 当八度数 octaves=4、lacunarity=2、gain=0.5时，第4层的频率和振幅分别是多少？

单选题 · hard

  • A.频率8，振幅0.125← 正确答案
  • B.频率16，振幅0.5
  • C.频率4，振幅0.25
  • D.频率8，振幅0.25

答案：A。第 1 层频率为 1、振幅为 0.5；此后每层频率乘 2、振幅乘 0.5。第 4 层频率 \(1\times2^{3}=8\)，振幅 \(0.5\times0.5^{3}=0.125\)，故选 A。

Q8. 下列哪些属于Perlin/Simplex噪声的典型应用？

多选题 · hard

  • A.程序化地形高度图← 正确答案
  • B.云朵与火焰的扭曲← 正确答案
  • C.数据库索引加速查询
  • D.无缝纹理贴图生成← 正确答案

答案：ABD。地形高度图、云朵火焰扭曲、无缝纹理都是噪声函数的典型落地场景。数据库索引与噪声生成无关，属于结构性数据加速手段。

Q9. 在fBm叠加中，更高八度开始出现“细碎颗粒”而不是平滑细节，合理的解决方式有哪些？

多选题 · hard

  • A.降低最高八度频率← 正确答案
  • B.提高采样分辨率或滤波← 正确答案
  • C.把振幅改成负值
  • D.直接删除基础噪声层

答案：AB。颗粒感的本质是高频细节超出了采样间距，即混叠。降低最高频率或提高采样/滤波都能缓解；把振幅变负没有意义，删除基础层会失去地形骨架。

Q10. 为什么fBm叠加多尺度噪声后，地形会格外接近真实自然地貌？

单选题 · extreme

  • A.高频细节与低频结构自相似，符合分形规律← 正确答案
  • B.更多层数会把噪声值放大到超过1
  • C.频率翻倍会让地形颜色变暖
  • D.振幅减半会抹掉光照方向信息

答案：A。自然界的山脉、海岸线都具有“多尺度自相似性”：远看与近看的细节规律相似。fBm 用频率倍增、振幅减半的叠加，精确模仿了这种分形特征，所以视觉上格外自然。