Нейронные клеточные автоматы выращивают полноразмерное изображение из чисто локальных правил

Клетки, знающие только соседей, теперь в полном разрешении

Cells to Pixels, статья с SIGGRAPH 2026 от EPFL и Google Research, берётся за ограничение, которое держало нейронные клеточные автоматы (NCA) как красивую игрушку. NCA — это сетка одинаковых клеток, каждая гоняет одно и то же выученное локальное правило и общается только с непосредственными соседями, пока сетка не самоорганизуется в целевой узор. Как живая ткань, она может восстанавливаться после повреждения и сопротивляться возмущениям. Ценой этой строгой локальности было разрешение. Память и вычисления растут квадратично с размером сетки, поэтому NCA оставались низкого разрешения.

Решение статьи — гибрид. NCA работает на грубой сетке, а лёгкий неявный декодер — маленькая общая сеть, отображающая локальное состояние клетки плюс координату в цвет и атрибуты поверхности — отрисовывает тонкие пиксели сверху. Обе половины остаются локальными и параллельными, так что модель даёт изображение высокого разрешения в реальном времени, сохраняя самоорганизующееся поведение, которое и делает NCA интересными. Она обучается сквозным образом против целевых изображений, с отдельными функциями потерь для морфогенеза (рост из зерна) и синтеза текстур.

Демки интерактивны, и люди их сразу сломали

Страница поставляется с живыми демками (песочница PBR-текстур, демо роста, демо 3D-текстуры на геометрии меша), и тред отнёсся к ним как к стресс-тесту. Режим кисти оказался хрупким:

«Автомат просто полностью разрушает изображение, если я слишком много рисую кистью по стабилизированной картинке. Пяти горизонтальных мазков достаточно, чтобы уничтожить котёнка, — так и задумано?» — разработчик, заснявший сбой

Возможно, это система, работающая по замыслу — возмути самоорганизующуюся систему достаточно сильно, и она теряет область притяжения, — но новичку это читается как баг. Другие хотели толкать в обратную сторону: оттиснуть котёнка поверх хамелеона вместо сброса холста при каждой смене цели или просто вырастить вторую сороконожку ради лишних очков.

«Оно запоминает достаточно, чтобы делать сэмплинг текстур только по локальной информации»

Самое ясное объяснение на простом языке в треде пришло от читателя, вслух рассуждавшего о том, что модель реально делает:

«При создании каждого пикселя нет координаты для поиска — вместо этого используется лишь набор правил вроде игры „Жизнь“ Конвея. Но правила приходят из нейросети, обученной на изображении, так что… оно как бы запоминает достаточно информации, чтобы эффективно делать то же, что и сэмплинг текстур, но используя только локальную информацию». — комментатор, доходящий до сути с первых принципов

Для тех, кто потерялся на абстрактном — а несколько человек признались, что да, — высококарманный читатель указал на родословную. Более раннее и мягкое изложение этой группы — статья 2020 года на Distill *Growing Neural Cellular Automata*, которую комментатор порекомендовал как лучший вход. Один умозрительный заход гадал, не может ли свойство регенерации перепрыгнуть в совсем другие домены — биологически вдохновлённый Kubernetes, который сам себя лечит при отказе нод.

Самоорганизующаяся система, наконец пригодная в разрешении, которое видят люди

Эта исследовательская линия всегда была про устойчивость, а не про точность: системы, которые пересобирают себя из локальных правил, как это делает организм. Академической её держало то, что вывод так и выглядел. Разделив работу между грубой самоорганизующейся сеткой и дешёвым декодером для пикселей, статья сохраняет свойство регенерации, выдавая вывод в том разрешении, на которое человек реально смотрит. Хрупкая кисть в демо — честная часть: система, которая залечивает повреждения, по той же математике — система, которую можно вытолкнуть из устойчивого состояния, если давить достаточно сильно.