Smoothstep è una famiglia di funzioni sigmoidee usate per l'interpolazione hermitiana e per il clamping in computer grafica,[1][2] motori grafici,[3] e apprendimento automatico.[4]
Le smoothstep sono funzioni di una variabile reale a valori in , caratterizzate da due parametri e rappresentanti gli estremi di un intervallo di valori nel dominio. Per ogni , smoothstep mappa i valori all'intervallo , mentre tutti i valori sono mappati in zero, e tutti i valori sono mappati in 1. Una funzione smoothstep normalizzata ha parametri e . Nel seguito, quando non differentemente specificato, si assume che la funzione smoothstep sia normalizzata.
La funzione smoothstep di ordine interpola i valori tra 0 e 1 in modo tale che:
- quando la variabile è all'estremo sinistro dell'intervallo, l'immagine della funzione sia 0;
- quando la variabile è all'estremo destro dell'intervallo, l'immagine della funzione sia 1;
- le derivate (fino all'ordine ) della funzione presso gli estremi destro e sinistro abbiano valore zero.
Una funzione polinomiale che soddisfi tali vincoli può essere definita tramite l'interpolazione di Hermite. La funzione smoothstep per antonomasia è quella di primo ordine , definita da un polinomio di terzo grado:
Restringendo il dominio in , la sua inversa può essere espressa analiticamente come:
La funzione smoothstep di ordine è rappresentata nella porzione centrale da un polinomio di Hermite di grado e ha forma:
La funzione smoothstep di ordine zero è equivalente alla funzione identità troncata (nota in alcuni contesti, ad esempio in computer grafica, come funzione clamp):
La funzione smoothstep di secondo ordine , anche nota come smootherstep[5][6] e popolarizzata in computer grafica da Ken Perlin,[7][8][9] ha forma:
Le successive funzioni smoothstep fino al sesto ordine sono rappresentate nell'intervallo dai seguenti polinomi:
Note
[modifica | modifica wikitesto]- ^ Smoothstep at Microsoft Developer Network.
- ^ GLSL Language Specification, Version 1.40.
- ^ Unity game engine SmoothStep documentation.
- ^ Hussein Hazimeh, Natalia Ponomareva, Petros Mol, Zhenyu Tan e Rahul Mazumder, The Tree Ensemble Layer: Differentiability meets Conditional Computation (PDF), International Conference on Machine Learning, PMLR, 2020. URL consultato il 30 gennaio 2022 (archiviato dall'url originale il 2 gennaio 2021).
- ^ tfp.math.smootherstep | Tensorflow, su tensorflow.org (archiviato dall'url originale il 2 novembre 2021).
- ^ SmootherStep | Wolfram Function Repository, su resources.wolframcloud.com (archiviato dall'url originale il 18 febbraio 2021).
- ^ Ken Perlin, An Image Synthesizer, ACM SIGGRAPH, vol. 24, n. 3, 1985.
- ^ Ken Perlin, Improving noise, ACM transactions on graphics, vol. 21, n. 3, luglio 2002, pp. 681-682.
- ^ Ken Perlin, Texturing and Modeling, Third Edition: A Procedural Approach.