神经细胞自动机（NCA）是一种受生物启发的动态系统，细胞通过迭代应用学习到的局部更新规则来自组织形成复杂图案，具备再生能力、强鲁棒性和自发动态特性。这类模型在纹理合成和形态发生任务中表现出色，却始终受困于低分辨率输出的瓶颈——计算量随网格尺寸呈二次方增长、信息传播受限于局部邻域、高分辨率实时推理算力需求极高。
一个研究团队提出新方案：让 NCA 在粗网格上运行，配合轻量级隐式解码器（LPPN）将细胞状态和局部坐标映射为外观属性，使同一模型能渲染任意分辨率的图像。由于解码器和 NCA 更新都是局部的，整个推理过程仍可高度并行。他们引入任务专用损失函数，在最小化额外显存和算力开销的前提下，监督形态发生（从种子生长）和纹理合成任务中的高分辨率输出。实验覆盖 2D/3D 网格及网格域，证明混合模型可实时生成高分辨率结果，同时保留 NCA 的自组织行为特征。
项目网站提供交互式演示，可观察粗网格 NCA 细胞状态与 LPPN 生成输出的对应关系。
编注：信源为 Hacker News 推荐与项目官网演示，材料侧重技术原理与架构设计，未涉及具体性能 benchmark 数据。