Voronoi Texture Node

 ≡ Reference

Add > Texture > Voronoi Texture

Voronoi (ボロノイ) テクスチャ ノードは、入力されたテクスチャ座標で Worley Noise を算出します。

ｉNote

ノード構成によって、特に Randomness 値が低い場合、レンダリング アーチファクトが発生することがあります。これは、White Noise Texture Node の Notes セクションで説明されているのと同じ理由で発生し、そこで説明されているのと同様の方法で修正することができます。

プロパティの選択によって、表示されるオプションや入力ソケット、出力ソケットが異なるため、マトリックスにまとめました。

+ Properties による Inputs および Outputs の表示項目のマトリックス

{"target":"next","color":{"head":"#888","hover":"#eee"},"col_color":[]}

Properties			Inputs						Outputs
Dimensions	Feature Output	Distance Metric	V e c t o r	W	S c a l e	S m o o t h n e s s	E x p o n e n t	R a m d o m n e s s	D i s t a n c e	C o l o r	P o s i t i o n	W	R a d i u s
1D	F1 / F2			◯	◯			◯	◯	◯		◯
	Smooth F1			◯	◯	◯		◯	◯	◯		◯
	Distance To Edge			◯	◯			◯	◯
	N-Sphere Radius			◯	◯			◯					◯
2D	F1 / F2	Euclidean / Manhattan / Chebychev	◯		◯			◯	◯	◯	◯
		Minkowski	◯		◯		◯	◯	◯	◯	◯
	Smooth F1	Euclidean / Manhattan / Chebychev	◯		◯	◯		◯	◯	◯	◯
		Minkowski	◯		◯	◯	◯	◯	◯	◯	◯
	Distance To Edge		◯		◯			◯	◯
	N-Sphere Radius		◯		◯			◯					◯
3D	F1 / F2	Euclidean / Manhattan / Chebychev	◯		◯			◯	◯	◯	◯
		Minkowski	◯		◯		◯	◯	◯	◯	◯
	Smooth F1	Euclidean / Manhattan / Chebychev	◯		◯	◯		◯	◯	◯	◯
		Minkowski	◯		◯	◯	◯	◯	◯	◯	◯
	Distance To Edge		◯		◯			◯	◯
	N-Sphere Radius		◯		◯			◯					◯
4D	F1 / F2	Euclidean / Manhattan / Chebychev	◯	◯	◯			◯	◯	◯	◯	◯
		Minkowski	◯	◯	◯		◯	◯	◯	◯	◯	◯
	Smooth F1	Euclidean / Manhattan / Chebychev	◯	◯	◯	◯		◯	◯	◯	◯	◯
		Minkowski	◯	◯	◯	◯	◯	◯	◯	◯	◯	◯
	Distance To Edge		◯	◯	◯			◯	◯
	N-Sphere Radius		◯	◯	◯			◯					◯

Inputs

入力は動的で、ノードのプロパティに応じて利用できるようになります。

● Vector

ノイズを算出するテクスチャ座標を入力します。
ソケットが接続されていない場合、デフォルトは生成されたテクスチャ座標になります。

● W

ノイズを評価するテクスチャ座標 (-1000.0 - 1000.0) を設定します。

● Scale

ノイズのスケール (-1000.0 - 1000.0) を設定します。

● Smoothness

ノイズの滑らかさ (-1000.0 - 1000.0) を設定します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Output	0.0	0.25	0.5	0.75	[1.0]
Distance
Color
Position

Dimensions: 2D, Feature Output': Smooth F1, Distance Metric: Euclidean, Scale: 5.0, Randomness: 1.0

● Exponent

ミンコフスキー距離メトリックの指数 (0.0 - 32.0) を設定します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Output	0.0	[0.5]	1.0	2.0	32.0
Distance
Color
Position

Dimensions: 2D, Feature Output': Smooth F1, Distance Metric: Minkowski, Scale: 5.0, Smoothness: 0.0, Randomness: 1.0

● Randomness

ノイズのランダム性 (0.0 - 1.0) を設定します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Output	0.0	0.25	0.5	0.75	[1.0]
Distance
Color
Position

Dimensions: 2D, Feature Output': Smooth F1, Distance Metric: Euclidean, Scale: 5.0, Smoothness: 0.0

Properties

Dimensions

ノイズを算出する空間の次元を選択します。
次元が高いほどレンダリング時間が長くなるので、高い次元が必要な場合を除き、低い次元を使用してください。

1D

入力 W で 1 次元空間のノイズを算出します。

2D

入力 Vector で 2 次元空間のノイズを算出します。Z 成分は無視されます。

3D

入力 Vector で 3 次元空間のノイズを算出します。

4D

入力 Vector と、入力 Ｗ を 4 次元目として 4 次元空間のノイズを算出します。

Feature Output

ノードが計算して返す、ボロノイ特徴を選択します。

F1

最も近い特徴点までの距離、位置、色を計算して返します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Distance	Color	Position

Dimensions: 2D, Feature Output': F1, Distance Metric: Euclidean, Scale: 5.0, Randomness: 1.0

F2

2 番目に近い特徴点までの距離、位置、色を計算して返します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Distance	Color	Position

Dimensions: 2D, Feature Output': F2, Distance Metric: Euclidean, Scale: 5.0, Randomness: 1.0

Smooth F1

F1 の滑らかなバージョンを計算して返します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Distance	Color	Position

Dimensions: 2D, Feature Output': Smooth F1, Distance Metric: Euclidean, Scale: 5.0, Smoothness: 1.0, Randomness: 1.0

Distance To Edge

ボロノイ セルのエッジまでの距離を計算して返します。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Distance	Distance < 0.05	Distance > 0.05

Dimensions: 2D, Feature Output': Distance To Edge, Scale: 5.0, Randomness: 1.0

N-Sphere Radius

ボロノイ セルに内接する n 球面の半径を計算して返します。つまり、最も近い特徴点と、そこから最も近い特徴点の半分の距離ということになります。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Scale: 5	Scale: 10	Scale: 50

Distance Metric

テクスチャの計算に使用する距離メトリックを選択します。

Euclidean

ユークリッド距離メトリックを使用します。

Manhattan

マンハッタン距離メトリックを使用します。

Chebychev

チェビシェフ距離メトリックを使用します。

Minkowski

ミンコフスキー距離メトリックを使用します。
ミンコフスキー距離は、パラメーター Exponent を持つ、上述のメトリックを一般化したものです。指数が 1 のミンコフスキーはマンハッタン距離測定法と等価となり、指数が 2 のミンコフスキーはユークリッド距離測定法と等価となります。指数が無限のミンコフスキーはチェビシェフ距離測定法と等価となります。

{"target":"next","color":{"head":"#bbb"},"col_color":[]}

Minkowski Exponent: 0.5	Minkowski Exponent: 1.0	Minkowski Exponent: 2.0	Minkowski Exponent: 32.0
	Manhattan	Eclidean	Chebychev

Dimensions: 2D, Feature Output': Smooth F1, Distance Metric: Euclidean, Scale: 5.0, Randomness: 1.0

Outputs

● Distance

距離が出力されます。

● Color

セル カラーが出力されます。色は自動的に決まります。

● Position

特徴点の位置が出力されます。

● W

特徴点の位置が出力されます。

● Radius

n 球面の半径が出力されます。

Examples

F1 と Smooth F1 の違いを利用したボロノイ セル

ハンマード メタル