EPFL 与 Google Research 的研究者发布了 SIGGRAPH 2026 项目“Neural Cellular Automata: From Cells to Pixels”。项目页给出 arXiv 论文、GitHub 代码，以及 PBR Texture、Growing、3D Texture 等交互 Demo。

这件事有意思的地方不在“网页上能长出更漂亮的图案”。真正的问题是：神经细胞自动机（NCA）过去一到高分辨率就吃力，这次是不是把瓶颈挪开了？

我的判断是，Cells2Pixels 确实做了一次有效拆分。它让 NCA 在低分辨率粗格上演化，再用 Local Pattern Producing Network（LPPN）把局部状态解码成颜色、法线等外观属性。它不是无限细节生成器，也不是已经成熟的工业纹理引擎。

NCA 原来卡在高清输出上

NCA 的吸引力很直接：局部规则反复作用，可以长出纹理、形态，也能表现自组织和再生。一个细胞坏了，周围规则还能把结构补回来。这也是它在图形学里一直有人研究的原因。

问题也出在这里。

如果把 NCA 直接跑在高分辨率网格上，格子数量会迅速膨胀。训练、显存和实时计算都会变重。信息还只能逐格传播，远距离结构协调并不轻松。

所以传统 NCA 做小图案、动态图案、形态生长比较顺手；一旦目标变成高分辨率 2D/3D 纹理，压力就上来了。

Cells2Pixels 的动作，是不再让每个高清像素都承担“细胞演化”的成本。它把演化留在粗格，把高清输出交给局部解码器。

这一步很关键。

路线计算位置能解决什么现实限制
高分辨率 NCA高清网格逐格演化保留生长、再生、自组织训练和实时推理压力大
Cells2Pixels粗格 NCA 演化，LPPN 局部解码支持不同采样分辨率，局部计算可并行粗格状态仍限制全局表达
NeRF / 神经材质类方法坐标网络直接拟合外观表达力强，适合连续外观建模不天然具备 NCA 的动态再生特性

这张表也说明了一个边界：Cells2Pixels 不是把 LPPN 拿来替代 NCA。LPPN 是和粗网格 NCA 联合训练的局部隐式解码器。

Cells2Pixels 改的是表示方式，不是凭空造细节

论文里的核心流程可以压缩成一句话：NCA 在低分辨率细胞网格上更新，LPPN 接收局部坐标和插值后的细胞状态，输出颜色、法线等外观属性。

这带来三个直接结果。

  • 渲染端可以在不同分辨率采样，同一模型不必绑定单一输出尺寸。
  • LPPN 是局部计算，天然更容易并行。
  • NCA 的自组织、再生和从种子生长的特性没有被丢掉。

但“任意分辨率渲染”不能读成“无限细节”。

LPPN 仍然要对采样点运行。粗格 NCA 也仍然决定了很多结构信息。它更像把高分辨率外观从细胞演化里解耦出来，而不是无成本超分辨率。

论文实验覆盖 2D/3D 网格、mesh domain、PBR/3D 纹理，以及从种子生长的 morphogenesis 场景。训练中还引入面向 morphogenesis 和 texture synthesis 的任务损失，用来降低高分辨率监督带来的额外内存和计算开销。

我更在意这个训练设计。因为它碰到的是方法能不能扩展的问题，而不是网页 Demo 能不能吸引人停留十秒。

研究者该复现，工具团队先做小样

对图形学和神经渲染研究者，Cells2Pixels 值得跟进的动作很明确：复现实验，换复杂拓扑网格，检查 UV 接缝、局部修复、长程一致性和训练稳定性。

它不是只多了一个好看的视觉样张，而是给 NCA 的高分辨率输出提供了一种新组织方式。研究上可以继续追问：粗格状态要多粗才够？LPPN 的局部性会不会限制大尺度结构？不同 PBR 属性之间能不能保持一致？

对实时纹理生成、游戏和 3D 内容工具团队，动作应该更保守。

可以把它放进原型池，做交互式材质草图、程序化纹理探索、可编辑生长效果。不要急着把它当成可采购、可上线、可替代 Substance 3D 或扫描材质库的生产方案。

原因很现实。生产管线不只看图像是否好看，还看这些东西：

团队关心的问题Cells2Pixels 目前能说明什么还看不清什么
实时纹理工具开发者方法支持交互 Demo，局部计算适合并行缺少可横向比较的 FPS、显存、训练时长数据
游戏 / 3D 内容团队可探索 PBR、3D 纹理和生长式材质引擎内性能预算、资产复用、艺术指导成本还未证明
图形学研究者代码和论文可复现，路线清楚复杂 mesh、接缝、长程结构稳定性仍需测试

这也是我不太买账“马上进入工业管线”的原因。

行业里并不缺成熟纹理方案。程序化噪声、扫描材质库、Substance 3D、各类神经材质方法，已经在不同环节站住了位置。Cells2Pixels 要挤进去，靠的不能只是长得新鲜。

它至少要回答三个硬问题。

  • 质量.复杂材质、复杂拓扑、PBR 参数是否稳定一致。
  • 控制.美术能不能用笔刷、种子、局部约束去干预结果。
  • 成本.训练、推理和集成成本能不能低于现有方案带来的收益。

目前原文没有给出可直接横向比较的帧率、显存占用、训练时长和分辨率基准。没有这些数字，就不该替它提前宣布工业可用。

但这不影响它作为研究进展的价值。

Cells2Pixels 聪明的地方，是承认 NCA 不适合硬顶高清网格，然后改表示方式。粗格负责演化，LPPN 负责局部外观。各司其职，瓶颈就松了一些。

这已经足够让“NCA 只能做低清动态图案”的旧印象裂开一道口子。至于能不能从 Demo 走进工具栏，还要看复现、控制接口和真实管线成本。