Conference

Improving Curl Noise

J. Andreas Bærentzen, Jonàs Martínez, Jeppe Revall Frisvad, Sylvain Lefebvre

Technical University of Denmark

Paper

一句话总结

把无散度向量噪声（curl noise）重新表述为 \(n-1\) 个噪声函数梯度的 \(n\) 维叉积，从而在任意维度都严格保证无散度，并借助一个”重投影”步骤把粒子约束在等值面交线上，大幅提升积分精度。

研究背景

在图形学中，人们常用无散度向量场（\(\nabla \cdot \mathbf{c} = 0\)）来模拟不可压缩流体般的运动：沿这类向量场平流的形状体积守恒，粒子既不会被吸入汇点也不会从源点被排斥。这正是 curl noise 的价值所在。

Bridson 提出的经典 curl noise 定义为 \(\mathbf{c} = \nabla \times \mathbf{v}\)，但旋度算子只在三维有定义，这限制了它向更高维度的推广。另一条思路来自 DeWolf，他提出把两个噪声函数的梯度叉积作为三维无散度噪声，这一形式天然可扩展到曲面上，却长期被忽视。

本文抓住”叉积”这一关键：叉积可以推广到任意维度，因此同一套无散度向量噪声（DFVN）公式可以直接搬到 \(n\) 维。同时作者发现，由于噪声场由梯度叉积构成，它必然处于所有噪声函数等值面的切平面内，这就为提升积分精度提供了一个几何抓手。

方法

整体框架

方法的核心是用 \(n-1\) 个至少 \(C^2\) 连续的标量函数 \(f_i\)（通常是噪声函数）构造无散度向量场，再沿该场平流点，并在每步后把点重投影回初始等值面交线上。

flowchart TD
    A["选取 n-1 个 C² 标量噪声函数 f_i"] --> B["计算梯度 ∇f_i"]
    B --> C["n 维叉积: c = cross(∇f₁,...,∇f_{n-1})"]
    C --> D["记录初始等值 τ = f(x₀)"]
    D --> E["积分一步: Euler 或 RK4 推进 x"]
    E --> F["重投影: 把 x 拉回 f(x)=τ 的等值面交线"]
    F --> G{"达到步数或精度?"}
    G -->|否| E
    G -->|是| H["输出流线/平流后坐标"]

关键设计

梯度叉积构造无散度噪声：向量噪声定义为 \(\mathbf{c}(\mathbf{x}) = \mathrm{cross}(\nabla f_1(\mathbf{x}), \dots, \nabla f_{n-1}(\mathbf{x}))\)。作者用两种方式证明它在任意维度都无散度：一是把散度写成行列式展开的求和，利用二阶偏导可交换（Schwarz 定理），每一项都能找到一个符号相反、其余相同的配对项，成对相消；二是用外微分证明 \(\star \mathrm{d} \star \xi\) 中每一项都含 \(\mathrm{d}^2 f_i = 0\) 因子。
重投影提升精度：因为 \(\mathbf{c}\) 是梯度叉积，它落在所有 \(f_i\) 等值面的切平面内，其流线正是这些等值面的交线。若积分精确，点永远不会离开初始等值面交线。据此，作者构造 \(\mathbf{f}\) 的一阶泰勒近似并求解 \(\mathbf{J}\mathbf{v} + \mathbf{f}(\mathbf{x}) = \boldsymbol{\tau}\) 的最小范数解来更新 \(\mathbf{x} \leftarrow \mathbf{x} + \mathbf{v}\)；也可用逐等值面的 Newton-Raphson 步 \(\mathbf{x} \leftarrow \mathbf{x} - \nabla f_i \dfrac{f_i(\mathbf{x}) - \tau_i}{\lVert \nabla f_i \rVert^2}\)。二维时两者等价。
两种表述并不等价：curl 形式与叉积形式并非完全等同。作者证明 \(\mathbf{v}\) 落在等值面切平面内的必要条件是 \(\mathbf{v} \cdot (\nabla \times \mathbf{v}) = 0\)，并给出反例 \(\mathbf{v} = [y, z, x]^{T}\)：它是某向量场的旋度，却无法写成两个梯度场的叉积。代价是损失一点表达力，换来的是可推广到任意维度与更高的积分精度。
可替换为隐式曲面等函数：\(f_i\) 不必是噪声函数，把其中之一换成距离场或其他隐式表示，即可把 DFVN 约束在（超）曲面上；再借助式 \(f_2(\mathbf{x}) = (1-\alpha(\mathbf{x}))d(\mathbf{x}) + \alpha(\mathbf{x})\tilde{f}_2(\mathbf{x})\) 可生成被曲面包围、在边界处贴合而内部为纯噪声的向量场，从而实现边界守恒的粒子抖动。此外还能借助”升维—投影”引入各向异性。

实验结果

在 \(n\) 维点采样实验中，作者把 curl noise 抖动（CNJ, 基于 DFVN）与随机抖动、Poisson Disk 采样（PDS）、Sobol 序列在 3D~7D 上比较，报告最近点对的中位距离（括号内为最小距离，冒号后为墙钟秒数）：

\(n\)	CNJ (DFVN)	Jittering	PDS	Sobol
3	0.083 (0.044):1	0.069 (0.015):1	0.104 (0.100):0	0.071 (0.031):0
4	0.081 (0.034):2	0.069 (0.010):1	0.104 (0.100):3	0.074 (0.030):0
5	0.083 (0.023):21	0.073 (0.011):8	0.103 (0.092):104	0.071 (0.019):10
6	0.136 (0.039):31	0.118 (0.057):7	0.103 (0.084):651	0.078 (0.025):23
7	0.176 (0.071):105	0.146 (0.087):20	0.102 (0.080):11k	0.081 (0.030):501

低维（3D~5D）PDS 的中位距离最优，但其在高维迅速失效：7D 时 PDS 耗时超过三小时，而本文方法不到两分钟即可完成，且 CNJ 与 Jittering 属于易并行任务。6D、7D 时 CNJ 的中位距离反超其他方法，显示其在高维仍保持良好的蓝噪声特性。

在图像扭曲实验中，作者报告 64 步 RK4 加重投影在性能与 RMSE 上都优于 512 步纯 Euler 积分，印证了重投影带来的精度/性能权衡收益。

亮点与局限

亮点：

用一个简洁的叉积表述统一并推广了 DeWolf 与 Bridson 两条 curl noise 路线，并给出无散度性在任意维度成立的严格证明（代数与外微分两种）。
重投影方案几何直观、代价低，把点约束在等值面交线上显著提升积分精度，在高分辨率图像扭曲、曲面纹理扭曲上都验证有效。
应用面广：图像扭曲、曲面纹理、被隐式曲面包围的噪声、各向异性 curl noise、以及最高 7 维的点抖动，且天然支持边界守恒的粒子动画。

局限：

叉积形式的表达力严格弱于 curl 形式，部分 curl 向量场无法由两个梯度场叉积生成。
距离场作为 \(f_i\) 时要求曲面曲率有界，否则中轴过于靠近曲面会破坏二阶可微性。
高维下 simplex 噪声梯度影响被稀释，噪声幅值趋近零，需按维度做尺度补偿（本文 7 维以内影响不大）。
升维引入各向异性时，只保证投影前的场无散度，投影回低维后不再严格保证。

延伸思考

这篇工作把”叉积几何”作为主线，既拿到了维度无关的通用性，又顺手用等值面交线这一几何事实换来了积分精度，是一个”约束换精度”的漂亮范例。它提示我们：当一个数值对象带有明确的几何不变量（这里是”流线落在等值面交线上”）时，与其一味堆更高阶的积分器，不如直接把状态投影回不变流形，往往性价比更高。

作者指出的未来方向也很有想象空间：用 \((3+k)\) 维投影算子在三维引入各向异性、把高维 DFVN 抖动用于高维积分或采样问题。对于需要蓝噪声采样却受困于维度灾难的场景（如高维蒙特卡洛积分的分层采样），这种既并行友好又在高维不失效的构造，可能是一条值得深挖的替代路线。