USD项目中集合表达式模式下的explicitOnly规则解析
2025-06-02 03:34:35作者:戚魁泉Nursing
概述
在Pixar USD项目中,集合(Collection)是一个非常重要的概念,它允许用户将场景中的特定对象分组以便进行批量操作。集合可以工作在两种模式下:关系模式(relationship-mode)和表达式模式(expression-mode)。本文主要探讨表达式模式下explicitOnly扩展规则的特殊行为及其背后的设计考量。
集合扩展规则基础
USD集合提供了三种扩展规则:
- explicitOnly - 仅包含明确指定的路径
- expandPrims - 包含指定路径及其所有子级图元
- expandPrimsAndProperties - 包含指定路径、其子级图元以及相关属性
在关系模式下,这些规则的行为非常直观:
- explicitOnly仅包含includes关系中明确列出的路径
- expandPrims会包含includes中的路径及其所有子级图元
表达式模式下的特殊行为
在表达式模式下,explicitOnly规则的行为却与预期不同。根据USD文档说明,当在表达式模式下使用explicitOnly时,相关计算函数将不会返回任何结果。这一行为在代码中也有明确体现,查询函数会检查如果是表达式模式且扩展规则为explicitOnly,则直接跳过处理。
设计考量分析
这种设计背后有几个关键考量因素:
-
模式一致性:表达式模式本身就提供了更灵活的路径匹配能力,通过模式语法(如//、*等)已经可以实现精确控制匹配范围,使得explicitOnly的概念变得模糊。
-
语义明确性:在表达式模式下,"explicit"的含义变得不明确。例如,对于"/foo/b*r"这样的模式,是否应该只匹配"/foo/bar"这样的精确路径?还是应该匹配所有符合模式的路径?
-
功能重叠:表达式模式中已经可以通过模式语法实现类似explicitOnly的效果,如使用精确路径而非通配符。
实际影响与解决方案
这一设计在实际使用中可能会带来一些困惑,特别是对于从关系模式转向表达式模式的用户。目前社区讨论的解决方案方向包括:
- 让explicitOnly在表达式模式下等同于expandPrims
- 更明确地区分表达式模式和关系模式的行为差异
- 提供更详细的文档说明这一特殊行为
最佳实践建议
基于当前实现,建议开发人员:
- 在表达式模式下优先使用expandPrims或expandPrimsAndProperties
- 如需精确匹配,直接在表达式中使用精确路径而非依赖explicitOnly
- 注意模式语法(如//、*)已经提供了强大的路径匹配能力
未来展望
USD开发团队正在考虑调整这一行为,使其更加一致和直观。可能的改进方向包括统一表达式模式和关系模式下的规则语义,或者提供更明确的文档说明。这些改进将使集合功能更加易用和强大。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492