傅里叶特征改善纹理拟合却拉高地形误差
Houdini 实验中,加入傅里叶特征后,纹理在留出样本上的五通道 RMSE 从 0.26167 降到 0.01507,地形误差却从 5.56 升到 10.42 个世界单位,直接计算地形公式的误差仅为 0.0133。用相同坐标比对 PyTorch 与 Houdini,导出前后的输出最大差值为 0.0000363。
AI 深度解读
给坐标加上 Fourier 特征,同样是在 Houdini FX 22.0.429 里拟合数据,一次让纹理预测的误差降了一个数量级,一次却让地形高度的误差接近翻倍。作者还单独做了导出校验,发现 PyTorch 和 Houdini 对同一批坐标的预测非常接近。
如果你要把坐标模型接进渲染流程,这组实验给出了两个可以分开验收的问题。模型拟合得准不准?导出后的模型还能不能给出同样的结果?两项检查的结果可以完全不同。
纹理误差降了多少,哪一项变化最明显?
作者在 Houdini FX 22.0.429 中用同一批 100,000 个 UV 样本比较两个网络。两者都预测 RGB、镜面反射强度和遮罩,合计五个输出通道。一个网络直接接收 UV 坐标,另一个用 8 个频带对坐标做 Fourier 特征编码,也就是把坐标映射成不同频率的正弦和余弦信号。这给模型提供了表达细密变化的输入。
在留出样本上,也就是单独用于评估的样本上,五通道的均方根误差(RMSE)从 0.26167 降到 0.01507。作者观察到,遮罩的视觉变化最明显。这个数字衡量的是五个通道的整体误差,原文没有列出各通道分别改善了多少。

地形有现成公式,模型能过误差门槛吗?
换到程序化高度场,作者用 1,000 个训练点做实验。加入 9 个频带后,高度误差从 5.56 增至 10.42 个世界单位。直接计算地形公式,与参考值的偏差则在 0.0133 个世界单位以内。作者的容差是 1 个世界单位,所以最终保留了公式。
两组实验的样本规模、任务和评估单位都不同。它们能回答各自设定下哪种方案更准,却没法单独解释地形误差为什么变大,也没法判断换一组频带或增加训练点之后会怎样。
导出校验通过,能证明什么?
作者把完全相同的 10,000 个坐标分别输入 PyTorch 和 Houdini,两边输出的最大差异是 0.0000363。这项测试比较的是同一个网络在两个环境里的输出。地形实验比较的是模型输出和参考地形之间的差距。
因此,即使导出校验通过,模型在地形上的误差仍然可能超过容差。把两项测试分开跑,才能区分精度问题是模型已有的,还是导出过程中引入的。
我的判断
我认同作者先定容差、再选实现的做法。这个高度场已经有可直接求值的公式,实测偏差也低于容差,保留公式有明确依据。原文没有给出运行耗时、模型体积或部署成本的对照,因此这次取舍能支持的是精度判断。
纹理实验的留出集数字足以支持把 Fourier 特征列为候选方案,遮罩对比也说明了为什么还要看图。至于「纹理适合加频带,地形不适合」,原文没有给出足够的对照数据,这是从两个案例延伸出来的经验判断。尤其别把 8 个和 9 个频带当成可以直接照抄的配置。
能拿来做什么
- 如果你在做 UV 到颜色或遮罩的拟合,用同一批训练样本和留出样本比较原始坐标与 Fourier 编码,并把遮罩单独渲染出来看。
- 如果目标来自已有的程序化公式,把直接求值放进基线,按项目使用的世界单位设定容差,再决定是否需要拟合模型。
- 如果你用 Node 写导出验收脚本,固定一批探针坐标,分别记录源模型与导出模型的最大输出差异,以及模型对参考数据的误差。