程序化内容生成：Wave Function Collapse

CH-32-02-015·约 18 分钟·游戏开发与AI·更新 2026-08-13

一块样板瓷砖，铺满整面墙。想象你正给浴室的瓷砖墙换新：手里只有一小块样品，上面是紫、红、绿三种颜色的几何图案。你希望整面墙连起来时，花纹的“节奏”和样品一样自然，却又不想单调地复制粘贴同一块。普通人拿起砖就贴，结果总在贴到一半时发现两块砖的花纹对不上，只好撬下来返工。聪明的老师傅完全换了个思路：他先对着样品算出“哪种砖能和哪种砖挨着”，然后在墙上摊开一张“可能性地图”——每个位置都记着“这里还有几种砖可能合适”。接下来他永远只做两件事：先贴那个“可能性最少”的位置，贴完立刻回头检查邻居，把不可能的花色划掉。就这么一遍遍推下去，整面墙顺理成章铺完，几乎不用返工。这套思路，就是 Wave Function Collapse（波函数坍缩，WFC）——当前程序化内容生成领域最热门的算法之一。

岗位关联

掌握 WFC，你就掌握了“从一小块样例自动铺出整个世界”的能力。它是游戏地形、关卡、建筑自动生成的核心工具箱，也是 AI 从业者做内容自动化时性价比极高的技能。

可视化演示
基本概念
算法原理
关键流程
性能特性
优化策略
实际应用
工程实践
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示WFC程序化生成算法的网格坍缩过程，包括熵计算、约束传播与回溯机制，交互调节网格大小查看生成效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

WFC网格坍缩过程熵最小优先：选择可能性最少的格子进行坍缩约束传播：坍缩后移除邻居不兼容的瓦片选项 Collapse(cell) = observe(min_entropy_cell) then propagate WFC模仿量子力学波函数坍缩，通过约束传播实现自洽的程序化生成

基本概念

铺设浴室的匠心，全在理解那一小块样品。老师傅拎着样品站到墙前，第一件事不是动手，而是把样品翻来覆去地看：哪些花纹总是接在哪些花纹旁边，哪些组合从不会出现。这段观察，就是 WFC 的“训练阶段”。训练产物就叫瓦片——在像素世界里，一个瓦片是 N×N 的一小块图案；在游戏关卡里，一格草地、一堵墙、一段走廊，都可以是一枚瓦片。

观察完毕，老师傅把整面墙想象成一张棋盘，每个格子都先标记“这里可能贴 a、b、c 三种砖”。在 WFC 里，这种“各有可能”的中间状态借用量子力学叫做波函数——就像薛定谔的猫在被观察之前既是活的又是死的，一个网格位置在被确定之前，可以同时是草地、墙和走廊。而“这个位置最终只能选一种”的确定过程，就叫坍缩。

瓦片模型的思想是：给定一个由小图块组成的样本，程序统计其中“相邻关系”，再把这种关系推广到大网格。每个位置维护一个候选集合，候选在规则作用下逐渐缩小，直到每个位置只剩一种可能。

所以你看，所谓“波函数”并没有玄学——它不过是老师傅墙上那张可能性地图里的一行批注：这个位置还能不能贴、还能贴哪几种砖。理解了瓦片与候选集合，就拿到了读懂整篇 WFC 的钥匙。

C(p) = \left\{ t_1, t_2, \dots, t_k \right\}

这个公式只是说：未知位置 p 目前还有 k 种“尚且可能”的瓦片；k 越大，位置越不确定，也就是“波函数越宽”。

位置 p标记墙面上的坐标点，比如第 3 行第 5 列。
$p = (i, j)$
候选集合 C(p)所有还没被规则排除的瓦片组成的一个数学集合。
$C(p)$
候选瓦片 t集合里的每个元素都来自训练样本拆出的瓦片库。
$t_1, t_2, \dots, t_k \in \mathcal{T}$
集合大小 kk=1 表示已经贴死了；k=0 表示矛盾；k>1 则是尚未决定的叠态。
$k = |C(p)|$

算法原理

确立了“候选集合”之后，老师傅面对的难题是：这么多格子，先贴哪一块？外行随手抓起最左边那块砖就铺，老师傅却眯着眼扫一圈墙，专挑“只剩下一种可能”的位置下手——因为那里最不容易出错。这就是 WFC 最令人眼前一亮的规则：永远选择熵最小的格子。

在信息论里，熵衡量不确定性：候选越多，格子越“没准”。WFC 用香农熵给每个格子打分，专门挑分数最低的格子下刀。选好位置后，从它的候选集里按权重随机抽一个瓦片，这就是坍缩。

坍缩不是结束。邻居格子立刻被重新审视，凡是跟新瓦片边缘对不上的候选全部划掉；邻居们的变化又继续向外传递，像水波一样一层层推开，直到整个网格不再变化——这一步叫约束传播。若某个格子的候选集合被划空，说明之前某次选择埋下了雷，就要回溯：退回到历史分叉点，换一个选择重新推进。

先动最确定的地方，再让确定性自己长大——这就是老师傅“越贴越轻松”的秘密，也是 WFC 用几十行代码就能复现的施工智慧：不确定性越小的地方先出手，之后只需要等着约束把答案送上门。

H(C) = -\sum_{i=1}^{n} p_i \log_2 p_i

熵公式衡量“一个格子有多不确定”。候选越少、概率分布越集中，熵值越低，越应该优先处理。

熵值 H(C)格子候选集合 C 的不确定性度量，数值越小越确定。
$H(C)$
对所有候选求和把集合里每种可能瓦片的贡献累加在一起。
$-\sum_{i=1}^{n}$
候选概率 p_i第 i 种瓦片在这个位置出现的概率，通常由样本频率决定。
$p_i$
对概率取对数概率越接近 1，这一项越接近 0，整体熵越低。
$\log_2 p_i$

关键流程

把老师傅一天的活儿拆成工序，恰好是 WFC 的三步流水线：第一步“瞧样品”，第二步“贴砖”，第三步“验收”。瞧样品的产出有两样东西：瓦片库和统计表。统计表记录每种瓦片在样本里出现了多少次——出现多的砖说明它更“搭调”，生成时应该被更优先抽中。

第二步是迭代生成：每坍缩一个格子，都按统计频率做一次加权随机；传播环节则靠预生成的“邻接表”快速判断“哪种砖能挨着哪种砖”。这两件事反复交替，直到所有格子都只有一种候选。第三步是结果校验：检查每条相邻边是否匹配、统计整体风格是否贴近样本，不合格就换种子重跑或触发回溯。

频率转成权重，是生成环节最核心的一步。它决定了随机往哪里偏：样本里常见的瓦片，在输出里也更容易出现，从而保住“神韵”。

工序清晰，返工就少。老师傅从来不是凭感觉贴砖，而是拿着一张“频率账本”、一张“邻接清单”，按顺序稳稳走完——这正是 WFC 工程实现的骨架：分析样本、提取模式、迭代生成、校验结果。

w(t) = \frac{f_t}{\sum_{s \in \mathcal{T}} f_s}

这个式子把“样本里出现的次数”折算成“被选中的概率”：出现越多，权重越大，抽中越容易。

分子 f_t瓦片 t 在样本中出现的次数，是频率的原始计数。
$f_t$
分母汇总把样本里所有瓦片的出现次数加起来，得到总数。
$\sum_{s \in \mathcal{T}} f_s$
比值即权重用 t 的计数除以总数，得到一个 0 到 1 之间的概率。
$\frac{f_t}{\sum_{s \in \mathcal{T}} f_s}$

性能特性

墙越铺越大，老师傅发现体力吃紧。WFC 同样有一本“性能账”：代价主要花在三处——格子数量、候选瓦片数量，以及每次坍缩后约束“涟漪”能波及多广。三者共同决定了生成一堵墙要花多久。

粗略地说，一次完整生成的时间复杂度约为 O(N·M·K)：N 是格子总数，M 是瓦片种类数，K 是约束传播平均扫过的格子数。样本越大、瓦片切得越细，M 和 K 就越大，生成就越慢。内存方面，每个格子都要维护候选列表，M 很大时列表开销可观，工程上常用位掩码优化——一个整数代表一整组候选瓦片。

性能之外还有一本更隐蔽的账：失败概率。输出规模越大，中途出现矛盾的概率会指数上升。因此成熟项目很少一把生成超大网格，而是分块生成，再在接缝处小心缝合。

聪明的老师傅从不肯一口气铺完整面 10 米的墙，他会按砖缝把墙分成几段，每段单独拿下，再接缝处小心对齐——这就是工程界的“分块生成 + 边界缝合”。理解了这本账，你就明白为什么 WFC 项目都要优先讨论规模，而不是炫技。

T(N) = O(N \cdot M \cdot K)

时间复杂度公式说明：WFC 的耗时会随格子数、瓦片数和传播范围线性放大，规模变大时尤其需要留意。

网格规模 N所有需要填充的格子总数，10×10 的网格 N=100。
$N$
瓦片种类 M样本拆出的瓦片类型总数，决定候选集合的平均宽度。
$M$
传播范围 K每次坍缩后，约束平均波及的格子数量。
$K$
量级记号 O表示“大致正比于”，用于描述随规模的增速。
$O(\cdot)$

优化策略

同样是贴砖，老师傅的抽屉里有不少“小机关”：先是把样品里的频率做成一张查表，再给每种候选配一个“适配分”，综合起来决定先贴谁。这些机关放在 WFC 里，就是一套优化策略：不改变核心算法，但让生成更快、更稳、更可控。

常见的优化有四类。启发式选格：不只数候选个数，还参考频率与边界信息，给“更危险”的位置更高优先级；模式预计算：把邻接兼容关系提前算好存成表，传播时直接查表，省去现场判断；动态权重：生成中途根据局部密度微调频率权重，防止输出过于散乱；并行加速：开多个候补方案同时试错，谁先成功用谁。

加权评分是启发式的常用骨架：为每种候选计算一个分数 s，它是频率项与局部相容项的加权和。α 控制“风格跟随程度”，β 控制“结构合法优先度”——α 调大更像样本，β 调大更少矛盾。

老师傅的“小机关”看似琐碎，却让整面墙既保留样品的神韵，又几乎不返工。优化策略的本质，就是把“手感”变成可调的旋钮——这正是 WFC 从玩具走向工业级产品的关键一步。

s(t) = \alpha \cdot w(t) + \beta \cdot q(t)

评分公式把“常见度”和“相容度”两个目标合成一个数，生成时优先选分数高的瓦片，兼顾风格与合法性。

综合评分 s(t)瓦片 t 在候选中的综合优先级，分数越高越倾向被选中。
$s(t)$
频率项α 乘以样本频率权重，保留样本的统计风格。
$\alpha \cdot w(t)$
相容项β 乘以局部相容度，比如与已确定邻居的匹配边数。
$\beta \cdot q(t)$
两个系数α 与 β 是人为设定的超参数，二者比例决定优化偏向。
$\alpha, \beta$

实际应用

墙面铺完，老师傅的名声传到了游戏圈。今天的游戏开发者发现：把“瓷砖”换成“草地、河流、围墙”，把“砖缝对齐”换成“地形语义匹配”，WFC 就能自动铺出一整个地图。它不再只是装修工具，而是程序化内容生成的通用引擎。

《塞尔达传说：旷野之息》的开发团队曾分享过地牢等内容的程序化设计经验；独立游戏 Townscaper、Bad North 也常见 WFC 的身影。在地形生成里，水、草地、山丘被抽象成瓦片，边缘约束保证湖泊不会突兀地爬上山；在建筑布局里，房间是瓦片，门是边缘标签，算法自动排出不穿墙的户型；在纹理创作里，一小幅像素画瞬间扩展成整面墙纸。

落地时，团队会先定义验收指标：十次生成里成功几次。只有成功率达标，管线才敢接进正式流程，否则玩家会频繁遇到“死胡同地图”或“断头路”。

从浴室的瓷砖到游戏的地牢，铺下去的始终是同一个道理：定义好“什么能挨着什么”，剩下交给约束去自然生长。WFC 的真正价值，是让“随机”变成了“有品味的随机”。

P_{\text{success}} = \frac{N_{\text{ok}}}{N_{\text{ok}} + N_{\text{fail}}}

成功率公式是最直观的工程质量指标：成功的生成次数占全部尝试次数的比例。

成功次数在 N_ok 次生成中，输出完全合法、通过校验的次数。
$N_{\text{ok}}$
失败次数因为矛盾或校验不过而被丢弃的次数。
$N_{\text{fail}}$
成功概率两者之比，1 表示次次成功，0 表示次次失败。
$P_{\text{success}}$

工程实践

老师傅退休前，把毕生经验写成了一本施工手册。WFC 的工程落地，同样需要这样一本“配置手册”——因为算法只负责执行，而质量、风格、成功率全由参数决定。

手册里最重要的几个旋钮：样本尺寸（决定风格来源的丰富度）、瓦片尺寸 N（N 越大输出越死板，N 越小越自由）、随机种子（决定结果能否复现）、回溯上限（兜底策略，超过就放弃重来）、α/β 权重（美观与合法的取舍）。调参建议顺序：先固定瓦片尺寸，再换种子跑几遍看方差，最后微调权重。

调试时要善用可视化：把每个格子的候选数画成热力图，一眼看出哪里“堵住了”；出现矛盾时回溯到最近分支换选择。配套的质量评估指标是局部模式匹配率——统计输出中与样本一致的局部小块占比，量化“像不像”。主流的开源实现（如多种语言的 wfc 库、Unity 插件）都内置了这些调试工具。

手册最后一页写着：WFC 不替你思考，“什么能挨着什么”的定义权永远在你手里。理解了这句话，你才算真正出师——工具只是约束的放大器，设计师才是规则的定义者。

Q = \frac{N_{\text{match}}}{N_{\text{total}}}

质量公式衡量输出风格与样本的贴近程度：匹配的局部小块越多，生成结果越“像”样本。

匹配数量输出里与样本中某个局部模式完全一致的块数。
$N_{\text{match}}$
总块数输出网格中所有可统计的局部小块总数。
$N_{\text{total}}$
匹配率 Q两者比值，越接近 1 说明风格还原度越高。
$Q$

AI 应用场景

游戏地牢与关卡自动生成

阶段：程序化内容生成（关卡布局）

解决的问题：手工设计地牢关卡成本高、重复度高；传统随机生成又常产出死胡同或不可达区域。WFC 把房间、走廊、门抽象成瓦片，用邻接约束保证连通性与可达性，让“随机”与“合法”兼得。

具体案例：某独立游戏团队用 WFC 生成 10×10 的地牢地图：样本是一张手工绘制的 5×5 小地图，程序学习房间与走廊的相邻规律后，批量产出数百张风格一致的新地图，再由策划挑选微调。

像素纹理与美术资产扩展

阶段：资产生成与增强

解决的问题：美术画一小块背景或纹理后，要手动铺满大场景，既费时又容易露馅。WFC 的叠加（overlapping）模型可以直接把像素画当作样本，自动生成风格统一的大尺寸纹理。

具体案例：独立游戏团队把 16×16 的草地像素块喂给 WFC，生成 256×256 的整张地表贴图，边缘过渡自然，极大缩短了美术出图周期。

建筑布局与城市预演

阶段：方案快速原型

解决的问题：建筑方案初期需要快速试排房间，传统办法靠人工反复调整。WFC 将房间类型作为瓦片、门与走廊作为边缘约束，几分钟内给出多套可行布局，供设计师挑选。

具体案例：某建筑科技公司用 WFC 生成公寓户型草图：输入“客厅、卧室、厨卫”的邻接偏好，算法输出几十种不穿墙、有采光的候选方案，作为人工深化设计的起点。

Python 演示

python94 行

import random # 瓦片库：每个瓦片用四向颜色描述，0=上 1=右 2=下 3=左# 颜色: 0=紫 1=红 2=绿TILES = [    (0, 0, 0, 1),    (1, 0, 1, 0),    (0, 1, 0, 1),    (1, 1, 1, 0),] def build_allowed():    allowed = [dict() for _ in TILES]    for a in range(len(TILES)):        for d in range(4):            allowed[a][d] = [                b for b in range(len(TILES))                if TILES[a][d] == TILES[b][(d + 2) % 4]            ]    return allowed ALLOWED = build_allowed() class WFC:    def __init__(self, rows, cols, seed=0):        self.rows = rows        self.cols = cols        self.rng = random.Random(seed)        # 每个格子维护候选瓦片列表，初始时全部可能        self.cell_options = [            [list(range(len(TILES))) for _ in range(cols)]            for _ in range(rows)        ]     def propagate(self):        changed = True        while changed:            changed = False            for i in range(self.rows):                for j in range(self.cols):                    if len(self.cell_options[i][j]) == 1:                        continue                    # 四个方向: 右 下 左 上                    for d, (di, dj) in enumerate(((0, 1), (1, 0), (0, -1), (-1, 0))):                        ni, nj = i + di, j + dj                        if not (0 <= ni < self.rows and 0 <= nj < self.cols):                            continue                        other = self.cell_options[ni][nj]                        keep = [                            a for a in self.cell_options[i][j]                            if any(b in ALLOWED[a][d] for b in other)                        ]                        if len(keep) != len(self.cell_options[i][j]):                            self.cell_options[i][j] = keep                            changed = True                            if not keep:                                return False        return True     def solve(self):        while True:            best = None            for i in range(self.rows):                for j in range(self.cols):                    n = len(self.cell_options[i][j])                    if n > 1 and (                        best is None                        or n < len(self.cell_options[best[0]][best[1]])                    ):                        best = (i, j)            if best is None:                return True            i, j = best            # 坍缩: 从候选中随机选一个固定下来            self.cell_options[i][j] = [self.rng.choice(self.cell_options[i][j])]            if not self.propagate():                return False     def result(self):        return [            [self.cell_options[i][j][0] for j in range(self.cols)]            for i in range(self.rows)        ] def main():    wfc = WFC(10, 12, seed=42)    if not wfc.solve():        print("出现矛盾，请尝试换种子或调整瓦片库")        return    for row in wfc.result():        print(" ".join(str(t) for t in row)) if __name__ == "__main__":    main()

目的：用不到 100 行实现一个可运行的瓦片模型 WFC，演示“候选集合、最小熵选格、坍缩、约束传播”的完整闭环。

TILES = [...四个方向的颜色...]定义瓦片库；每个元组描述一块砖的四边颜色。
allowed[a][d] = [b for b in ... if ...]预计算邻接兼容表：瓦片 a 的 d 方向能接哪些瓦片。
self.cell_options = [[...]]波函数叠态：每个格子维护一份候选瓦片列表。
n > 1 and (best is None or n < len(...))最小熵选格：优先处理候选最少的格子。
self.cell_options[i][j] = [self.rng.choice(...)]坍缩操作：把候选列表缩成一个随机选择。
if any(b in ALLOWED[a][d] for b in other)约束传播核心：判断邻居候选里是否存在与自己兼容的瓦片。
if not keep: return False矛盾检测：候选被清空说明此路不通。
if not self.propagate(): return False主循环兜底：矛盾即失败，可换种子重试。
if __name__ == "__main__": main()可执行入口，直接运行即可看到生成的瓦片网格。

常见误区

误区WFC 的输出每次都不同，感觉跟随机填充没什么区别，想要什么效果全靠碰运气，没法用于严肃的项目。

正解WFC 的随机只发生在“从候选集中挑一个瓦片”这一步，整体结构始终被样本学到的邻接约束牢牢锁住。它更像“有品味的随机”：局部看有随机性，全局看风格稳定。工程上还可以用固定种子复现结果，用权重引导风格，用 α/β 调平衡，可控性远高于纯随机。

为何常见：因为演示里每次点击结果都不一样，初学者容易把“随机性”误解为“不可控”。

误区训练样本越大，学到的东西越多，输出质量就越高，所以应该拼命加大样本数据。

正解样本过大会引入大量模式，每个格子的候选变多、熵变大，矛盾概率随之上升，输出也可能变得“散”而失去风格。相反，小而精的样本配合恰当的瓦片尺寸，更容易生成统一、可预测的风格。样本是风格的“种子”，不是数据越多越好。

为何常见：直觉上“数据多 = 质量好”在机器学习里常见，但 WFC 是约束满足问题，样本复杂度与可控性之间存在冲突。

误区跑完 WFC 就一定能得到合法输出，如果失败了就是代码写错了。

正解WFC 本身不保证成功——在无回溯的版本里，某个格子候选集被清空就意味着矛盾；在回溯版本里，超出回溯上限也会失败。失败是常态，工程上要靠换种子、调约束、改权重来降低失败率，并用成功率作为验收指标。

为何常见：教程和演示视频往往只展示成功案例，让人误以为算法天然“不会出错”。

误区WFC 就是给像素小游戏铺地砖的，3D 场景、音频、剧情这些复杂内容跟它没关系。

正解WFC 的核心是“带边缘标签的对象 + 邻接约束”，瓦片可以是任意概念：3D 体素块、房间功能、音乐小节、任务事件。只要你能定义“什么能挨着什么”，WFC 就能生成对应结构。它本质是通用的约束满足生成器，2D 像素只是最常见的演示形式。

为何常见：因为绝大多数入门教程都用 2D 像素样例演示，概念被演示形式限制了。

面试题

Q1. WFC 最核心的目标是什么？

单选题 · easy

A.随机铺满所有格子
B.从样本学局部模式并扩展← 正确答案
C.用神经网络生成整幅图
D.把样本逐块复制粘贴

答案：B。老师傅从不凭空贴砖，而是先观察样品确定局部搭配，再把这些搭配推广到整面墙。A 是无脑随机，谈不上“学习”；C 用神经网络违背 WFC 的思想；D 只是复制，缺少生成新结构的能力。B 正是 WFC 的本质。

Q2. WFC 中“熵”形容的是什么？

单选题 · easy

A.生成一帧画面的耗时
B.格子候选瓦片的剩余量← 正确答案
C.输出图片文件的大小
D.样本图案颜色的数量

答案：B。熵衡量不确定性，对应一个格子“还有多少种瓦片可能”。候选越少熵越低，越确定，越应该先处理。耗时、文件大小、颜色数量都不是熵在 WFC 里的含义。

Q3. 每轮迭代优先选择哪个格子？

单选题 · easy

A.网格左上角第一个格子
B.候选瓦片最多的格子
C.候选瓦片最少的格子← 正确答案
D.随机抽取一个未定格子

答案：C。老师傅专挑“可能性最少”的位置下手，因为那里最不容易贴错。候选最少的格子熵最低、风险最小，优先处理能让后续传播更稳定。候选最多的格子反而最不确定，应留到最后。

Q4. 约束传播做完后的效果是什么？

单选题 · mid

A.邻居自动生成最终图案
B.邻居同步排除不可能候选← 正确答案
C.网格直接渲染成图片
D.样本被重新切分成瓦片

答案：B。坍缩一块砖后，邻居要划掉与新砖边缘对不上的候选，这个“划掉”的动作逐层外传，就是约束传播。它不会替邻居生成答案，也不负责渲染或拆样本，只是让所有格子的候选信息保持一致。

Q5. 瓦片间能否相邻的规则来源于？

单选题 · mid

A.运行时随机生成规则
B.统计样本边缘的颜色← 正确答案
C.由用户逐条手写规则
D.从最终输出反推规则

答案：B。WFC 的邻接规则从样本中统计得来：两块瓦片的接触边颜色相同，就认为它们可以相邻。规则不是随机来的，也通常不必逐条手写——这正是 WFC 比传统手工规则引擎省力的原因。

Q6. 某格子候选集合变为空时，通常意味着？

单选题 · mid

A.生成已经圆满成功
B.之前某次选择导致矛盾← 正确答案
C.样本太小需要重采样
D.输出尺寸设置过大

答案：B。候选清空说明没有瓦片能满足所有邻居的约束，等于把路走死了，即“矛盾”。此时要么回溯换选择，要么换种子重来。这与成功、样本大小、输出尺寸都不是直接因果关系。

Q7. 与瓦片模型相比，重叠(overlapping)模型的特点是？

单选题 · hard

A.无需任何训练样本输入
B.提取 N×N 像素块作为模式← 正确答案
C.生成速度一定更快
D.只能用于 2D 像素画

答案：B。重叠模型把样本切成 N×N 的像素块作为模式，能直接处理像素级输入，无需人工设计瓦片。它仍然需要样本，速度不一定更快，也不局限于像素画。这正是它适合纹理扩展场景的原因。

Q8. 下列哪些因素会显著影响 WFC 性能？

多选题 · mid

A.网格格子的总数量← 正确答案
B.候选瓦片的种类数← 正确答案
C.约束传播影响范围← 正确答案
D.输出图片的色彩格式

答案：ABC。时间复杂度 T(N)=O(N·M·K) 表明，格子数、瓦片种类数、传播范围三个因素共同决定耗时。色彩格式是渲染层的问题，与算法本身的求解开销无关。

Q9. 降低生成矛盾概率的有效手段有哪些？

多选题 · hard

A.增加更大更全的样本
B.调制匹配需要的邻接约束← 正确答案
C.允许回溯重新选择← 正确答案
D.去掉所有传播过程

答案：BC。更大的样本可能引入更多候选与冲突，并不必然降低失败率；A 错。放宽邻接约束、允许回溯都直接降低矛盾概率；B、C 对。去掉传播会破坏一致性，让输出几乎必然失败；D 错。

Q10. 下列哪项是 WFC 在游戏中的典型应用？

单选题 · hard

A.实时计算物理碰撞
B.自动生成地图关卡← 正确答案
C.压缩角色贴图资源
D.匹配玩家语音指令

答案：B。WFC 最经典的游戏应用就是把地形、房间、走廊当作瓦片，自动生成地图关卡。物理碰撞是引擎物理系统的工作，贴图压缩属于图像编码，语音指令匹配属于语音识别，都与 WFC 无直接关系。