虚幻的UI设计中有关“颜色”的规律总结

虚幻4 游戏引擎(二):蓝图教学 蓝图 蓝图是虚幻4中的可视化脚本系统,是一种快速开发游戏原型的方法。无需逐行编写代码,您可以直观的做所有事情:拖放节点,将它们的属性设置在UI中,并拖动连接线来连接。除了成为一个快速的原型开发工具之外,蓝图还使得非编程人员可以很快速地上手编写脚本。 注:博主水平有限,如有疑问,请参见原英文教程 在本教程中,您将用蓝图: 1 设置一个从上向下看的摄像机 2 创建一个由玩家控制的具有基本动作actor 3 设置玩家输入 4 创建一个物品,当玩家碰到它时消失。 开始 下载starter pro... 阅读详情

利用可见光的不同颜色来区分目标的类型,一直是业界常用的UI技巧,很大程度上能减少字符和图标的使用,让人一目了然。虚幻引擎IDE的UI界面似乎把颜色利用到了极致,在虚幻引擎中至少出现了5个子系统用到了颜色标识,确实挺夸张的。

  • 可见光本身的“顺序”

  • 空间直角坐标系XYZ轴的颜色分配

  • 不同Asset资源类型的颜色分配

  • 数据类型的不同颜色

  • 蓝图节点的不同颜色

  • 场景与评论框的颜色标记


可见光本身的“顺序”

因为人眼的3种视锥细胞按占比排序分为红、绿、蓝,屏幕上其他的颜色都是这3种基色的组合而成,所以红绿蓝RGB三基色的顺序被UI设计首先采纳,尤其是红色一般作为最简单基本的“类型”。三种颜色用完后会优先考虑黑白灰,然后会选择光谱上的中间颜色(黄、青、紫),最后才轮到其他颜色。

所以存在一个奇怪规律:红绿蓝 > 黑白灰 > 黄青紫 > 其他。


空间直角坐标系XYZ轴的颜色分配

由于虚幻引擎采用的是左手坐标系,所以3个坐标轴的顺序是:

  1. X轴:红色

  2. Y轴:绿色

  3. Z轴:蓝色

XYZ分别对应了RGB,简单好记。


不同Asset资源类型的颜色分配

根据虚幻asset静态资源的引用逻辑,static mesh可以引用material,material可以引用texture,从内而外的顺序就是:

  1. texture纹理:红色

  2. material材质:绿色

  3. mesh网格体:蓝色

这三种最常用的资源正好对应着RGB的顺序。

比如下面这个引用视图,每个tile底部的颜色条暗示了它的类型:

但是UE中所有的资源类型远不止这几个,总共有:↓↓↓


数据类型的不同颜色

UE蓝图中,不同的数据类型,无论是基本类型还是引用类型,都用了不同的表视图区分,其中最简单的bool类型就是红色。

  • 红色:BOOL变量

  • 青色:Integer整型变量

  • 绿色:Float浮点型变量

  • 洋红:字符串变量

  • 粉色:文本

  • 金色:Vector矢量

  • 紫色:旋转体数据

  • 橙色:Transform偏移矩阵

  • 蓝色:Object对象

同类型数据类型引脚之间的连线也是该颜色。


蓝图节点的不同颜色

蓝图中3种类型的函数占用了RGB三个颜色:

  1. 事件:红色

  2. 纯函数:绿色

  3. 主函数:蓝色

事件函数几乎是所有并发线程的起点,也是蓝图中最常见的入口,没有输入只有输出,用红色标识。

纯函数一般是只读的函数,且没有可执行的引脚,一般作为蓝图的“分支”,用绿色标识。

主函数就是每个线程的主体函数流了,通常有输入和输出引脚,是蓝图的“主干”,用蓝色标识。

当然,节点类型不只是函数,这里总结了一下所有的节点颜色:

  • 红:事件起点

  • 绿:纯函数

  • 蓝:函数

  • 紫:构造函数

  • 灰:流程控制、宏

  • 青:类型转换

  • 黑:坍缩的节点

  • 无:运算符


场景与评论框的颜色标记

在比较大的项目中,通常会创建许多level,它们会用不用的颜色来标识,这样在viewport中比较容易区分,而这个颜色标识是可以自己定义的。同理,蓝图评论框也是可以自定义颜色标识的:

 

<完>


虚幻引擎相关文章推荐:

虚幻引擎UMG UI开发指南:从基础控件到数据绑定与性能优化 用户界面是连接用户与软件的核心交互层,其设计直接影响用户体验。在游戏和交互式应用开发中,UI系统负责信息的可视化呈现与用户输入的响应。虚幻引擎内置的UMG系统,基于蓝图可视化脚本,为开发者提供了一套高效的UI创作工具。其核心原理在于将视觉布局与交互逻辑分离,通过控件蓝图、数据绑定和事件驱动机制,实现界面的动态更新与复杂交互。这一技术方案的价值在于大幅降低了UI开发门槛,使美术与策划人员也能参与界面制作,同时保证了程序对复杂逻辑的控制力。在实际应用场景中,从简单的按钮、文本显示到复杂的背包列表、动态HUD,U 阅读详情

相关推荐

虚幻引擎Pak文件查看器:资源分析、解包与优化实战指南

在游戏开发与软件分发中,资源打包与封装是核心技术环节,它通过将大量零散文件(如纹理、模型、音频)整合并压缩为单一容器文件,以提升加载效率、保护知识产权并简化部署。其原理通常涉及自定义的二进制格式、索引结构以及可选的压缩与加密算法。这项技术的核心价值在于实现资源的高效管理与安全分发,是构建现代大型应用尤其是游戏项目的基石。常见的应用场景包括游戏资源调试、包体大小分析、自动化构建验证以及技术研究。本文聚焦于虚幻引擎(Unreal Engine)中广泛使用的Pak文件格式,深入探讨如何利用专门的查看与分析工具(如

weixin_30919571的博客 334

UE4的取色器实现

根据角度计算出颜色盘不同对应RGB值。:白色 → 对应HSV(H,1,1)仿照UE4取色器对颜色盘进行分析。RGB可以直接转换为HSV。颜色渐变可以用材质直接解决。:黑色 → 选取颜色值。

qq_45617648的博客 875

基于虚幻引擎5构建工业数字孪生:从数据对接到车间可视化实战

数字孪生作为连接物理世界与虚拟空间的核心技术,通过实时数据映射与仿真,为工业制造、智慧城市等领域提供了全新的决策与优化手段。其技术原理在于集成物联网(IoT)数据采集、三维建模与实时渲染,构建一个与实体同步的动态虚拟镜像。在工业4.0背景下,数字孪生的价值日益凸显,它能实现生产流程的远程监控、预测性维护与方案模拟,有效提升运营效率与安全性。应用场景广泛覆盖智能制造、产线规划与人员培训。本文以虚幻引擎5(UE5)为技术载体,深入探讨如何利用其Nanite虚拟化几何与Lumen全局光照等特性,结合WebSock

weixin_34021089的博客 394

Unreal坐标系基础知识

Unreal是左手坐标系: X轴正向为右,Z轴正向为上,Y轴正向向后。 绕X轴顺时针旋转90度,就是Unity坐标系。 Unreal与Unity均为左手坐标系,绕轴旋转时,顺时针旋转为正值。 Unreal下,Pitch、raw、roll分别定义如下: 绕Y轴旋转为Pitch; 绕Z轴旋转为raw; 绕X轴旋转为roll; 附Unity坐标系:

Oman-3D 1万+

从UI设计到数字孪生实战:构建智慧环保的综合监测平台

从传统监测仪表到数字孪生驱动的智能平台,智慧环保正经历从 “事后处置” 到 “事前预防” 的质变。当 UI 前端突破平面限制,融入环境要素的时空维度与物理规律,其角色已从 “数据展示窗口” 进化为 “环境数字神经中枢”。从大气污染的精准溯源到流域水质的智能调度,数字孪生驱动的监测平台已展现出提升环境治理效能的巨大价值。对于设计者而言,掌握三维环境建模、实时数据可视化等新技能将在智慧环保领域占据先机;对于开发者,构建支持数字孪生的前端架构将成为核心竞争力。

assjiuyv的博客 2860

【学习体会】Lighttools8.4.0:简单光学系统实例

添加球型光源(SphereSource)和表面接收器: 对光线模拟的参数进行设置: 光线追踪-模拟输入 要追踪的光线总数,决定模拟的准确度,总数越多,准确度越高,当然耗时更多 预览光线数量是模拟之后可以看到的示意光线(黑线),一般是100~1000,随意设置 点击,开始模拟: (模拟结果) 如果光线太多,则会出现,可以看到剩余时间 照度分析: 分析-照度显示-光栅图表 ...

LeonJin的博客 1万+

UE4/5 UnrealEngine 虚幻引擎 视角解析XYZ轴旋转移动

在游戏的视角控制中,yaw就是左右看,Pitch就是上下看。roll为滚动,由于鼠标只能在二维平面控制两个轴向,所以我们在常规的视角控制系统中很少会用到roll方向的控制,不过在某些FPS游戏中,开发者也会提供额外的按键来控制Roll方向视角。Yaw为偏航,Pitch为俯仰,三维中借用Yaw,Pitch和Row的概念具象的表示旋转。小白在学习过程中遇到的问题,希望能帮助更多的小白,欢迎一起学习讨论。

m15812442919的博客 1759

告别仿真报错!手把手教你为Intel MAX10 FPGA定制IBIS模型(附Allegro Skill工具)

本文详细介绍了为Intel MAX10 FPGA定制IBIS模型的完整流程,解决信号完整性仿真中的管脚映射问题。通过Allegro Skill工具自动化处理管脚信息,优化IBIS模型关键段落,提升仿真效率和精度,适用于高速数字电路设计。

weixin_33217202的博客 326

【虚幻引擎】UE4/UE5 材质

材质本身的颜色,例如绿色蓝色等:金属度,材质是否含有金属光泽:粗糙或者平滑度,物体表面的粗糙程度:物体本身是否发光:物体表面是否透明,适用于 半透明(Translucent)、添加(Additive)。:仅在使用遮罩模式下(Masked)可使用,与不透明度(Opacity)一样,但不会出现那种半透的颜色,这种模式下,材质要么完全可见,要么完全不可见。:是否能够看都物体的细节部分,:输入允许网格体的顶点在世界空间中由材质操纵。实现使对象移动、改变形状、旋转和各种其他效果。这适用于环境动画之类的内容。

qq_43021038的博客 1万+

【Latex】【附安装文件】Miktex和TexStudio的安装与配置

这代表“构建并运行”,一般来说,我们只需要点这个按钮来运行Latex代码。保存一下代码文件,再运行一次,PDF文件会出现在与代码文件相同的文件夹下。安装完成后,你可能会跳转到一个页面中,你看到这个页面就意味着安装成功了。其实不需要你敲,你只要将下面的代码复制粘贴到你刚刚的文件中即可。成功安装MikTex后,我们需要进行更新,减少后续使用的麻烦。如果懂得将安装路径设置在你想要的盘中,你可以自己设置。双击上文的.exe文件后,你会看到如下画面。如果不懂,为避免不必要的麻烦,请直接点击“

未来就在脚下。 1万+

Ansys Zemax与Speos协同设计:HUD系统从光学优化到驾驶视觉验证全流程解析

本文详细解析了如何利用Ansys Zemax与Speos协同工作流,完成HUD系统从光学内核优化到驾驶视觉验证的全流程。通过Zemax进行精密光学设计与像差校正,再通过Speos进行HOA定量分析和虚拟驾驶舱仿真,实现了数据无损流转与验证闭环,有效解决了光学性能与视觉感知脱节的核心问题,显著提升HUD设计效率与可靠性。

git9versioner的博客 530

虚幻引擎材质动画新方案:曲线图谱驱动UV与颜色动态

在计算机图形学与实时渲染领域,材质动画是实现场景动态效果的核心技术。其基本原理是通过随时间变化的参数,控制材质属性(如颜色、纹理坐标、透明度)以模拟自然现象或视觉特效。传统方法依赖程序化数学计算或蓝图逻辑,存在调试困难、迭代效率低的问题。从工程实践角度看,将动画数据与渲染逻辑分离是提升开发效率和效果表现力的关键。曲线驱动技术正是这一思想的体现,它将复杂的运动规律预烘焙为可编辑的曲线资产,通过采样机制在材质中实时获取动态数值。这种方案尤其适用于需要美术深度参与、频繁调整的视觉特效和环境材质制作,例如模拟水流、

weixin_33794672的博客 431

基于YOLOv8的城市违建识别系统:从数据集构建到UI界面实现

YOLOv8是Ultralytics公司于2023年推出的最新一代YOLO(You Only Look Once)系列目标检测算法。更高效的骨干网络设计改进的锚框机制更精确的损失函数支持分类、检测、分割等多任务YOLOv8特别适合像违建识别这样的实时检测任务,能够在保持高精度的同时实现快速推理。

YOLO 677

UE5学习笔记 FPS游戏制作26 UE中的UI

以血量为例,虽然player中有当前血量,但是health的类型是float,不是string,所以不能直接用,我们需要在UI蓝图里新建要给HealthText的属性,类型为text或string,然后在UI蓝图的tcik事件里每帧转换数据类型给HealthText,最后再给UI绑定属性。我们创建的按钮的对齐方式里有一个插槽属性,后边显示为画布面板槽,这是因为它的父物体是画布,父物体不同,他们的插槽的可选内容是不同的。这是轴点为0,0,位置也为0,0的情况,可以看到UI的左上角和锚点对齐。

吴梓穆的博客 1357

SAP公司间STO业务解析(包含主数据解析、后台配置解析、前台业务演示)

SAP公司间STO业务解析

ww114784的博客 1024

opencode : 无法将“opencode“项识别为 cmdlet、函数、脚本文件或可运行程序的名称 解决方案

opencode命令识别问题与openclawcodexgemini确保的路径在 PATH 中。这个知识对所有 npm 全局工具通用。

一键难忘的博客 4526

UI/UE设计师全链路学习路线图,适合小白找工作学习【云图智联】

现在各行各业竞争压力越来越大,UI设计师,岂能只满足于只会美工,每一个职位都应该发展为,自己能干个工作室的状态,技多不压身,在任何情况下,都能生存才是王道!!! 我对UI设计师所涉及的学习,工作,行业等都做了详细介绍,希望可以帮助到对UI感兴趣的人,我还在整理UI学习资源,希望你可以持续关注我,一个过来人就应该不断分享。 回答目录: UI设计师需要学习那些内容 (能力储备决定你的职场生命力) 为什么要成为UI设计师 (请不要盲目) UI设计师的市场前景 (了解市场,自然有方向.

2165

C#上位机实战:Modbus RTU串口通信(CRC校验+超时重发完整实现)

在工业自动化上位机开发中,Modbus RTU是串口通信的事实标准协议,SerialPort是 .NET 平台操作串口的原生类,无需依赖第三方库即可实现基础通信。实际项目中,工控现场存在电磁干扰、串口丢包、设备响应延迟等问题,CRC 数据校验用于保证报文完整性,超时重发机制用于提升通信稳定性。本文从零封装一套可直接落地的 Modbus RTU 通信组件,包含完整的校验算法、超时控制、重发逻辑,并配套 WinForm 演示界面。本文基于 C# 原生SerialPort类,实现了一套生产可用。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 394

学习UI设计书籍推荐

在学习UI设计的过程当中,特别想学或者零基础的人来说,需要学习到很多知识,比如软件 PS AI ,理论 色彩 排版 规范 UE 等,这些都是一名UI设计师需要学习的知识,而学习到这些知识,可以通过视频,书籍,网站,培训等多种方法学习,今天就和大家推荐下学习设计所要看的一些书籍。 一、《设计心理学》 内容简介: 设计心理学是设计专业一门理论课,是设计师必须掌握的学科。设计心理学是建立在心理学基...

码农王也的博客 3099

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

UI&UE设计规范

设计规范由设计原则、设计语言和组件库构成,在设计原则的指导下使用设计语言和组件库创建体验一致的用户界面。设计规范是针对特定产品指定的一整套标准,也就是说不通的类型产品规范会有所差异!

csdn_silent的博客 2687

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

UE5 WidgetComponent实现3D场景动态标签:从原理到性能优化全解析

在3D应用开发中,场景内动态UI是连接用户与虚拟世界信息的关键桥梁。其核心原理在于将传统2D界面元素转换为世界空间对象,使其遵循三维场景的深度、遮挡和透视规律,从而提升沉浸感与空间真实感。从技术价值看,这种方案解决了传统屏幕空间HUD脱离场景、缺乏深度交互的痛点,实现了UI与光照、雾效等后期处理的自然融合。在应用场景上,它广泛应用于数字孪生、AR/VR、游戏以及大型3D可视化项目,用于设备状态标签、NPC信息提示、交互指引等。本文以虚幻引擎5的WidgetComponent组件为例,深入剖析其实现动态标签的

weixin_30367169的博客 355

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

最近200篇文章汇总

虚拟偶像行业分析SVG实战:实现港珠澳大桥logoWeb开发者的简历模板优秀员工评审表模板年度员工总结模板前端原生开发解决方案四大正切圆柱投影CSS实现最简洁的四角边框CSS实现最简洁的加载动画用最少的代码渲染3D模型中心透视圆柱投影正轴等距离切圆柱投影等角切圆柱投影的证明等面积圆柱投影的简单证明等面积圆柱投影的证明升级【转载】TMS协议简介新生代民工书籍推...

全栈空间 1115

UE5雾效开发实战:从原理到EasyFog蓝图化实现

雾效是计算机图形学中实现场景深度与氛围营造的核心技术,其原理基于光线在大气中的散射与衰减模型。在实时渲染领域,雾效通过模拟光线与介质粒子的交互,有效解决远景渲染的层次感缺失问题,对提升场景真实感与艺术表现力具有重要价值。在游戏开发、影视预演、建筑可视化等应用场景中,高效的雾效方案直接影响项目迭代效率与视觉品质。针对虚幻引擎5(UE5)开发中参数调节复杂、风格化支持不足等痛点,社区衍生的EasyFog方案通过参数封装与蓝图化控制,将底层着色器与渲染管线抽象为直观的视觉参数,使开发者能快速实现从写实到风格化的雾

weixin_31881651的博客 329

UE5与AI融合:构建智能数字孪生的核心架构与实战

数字孪生作为连接物理世界与虚拟空间的关键技术,其核心在于通过数据驱动实现虚实映射与交互。从技术原理上看,它依赖于实时数据采集、三维可视化与智能分析模型的协同。在工程实践中,结合实时渲染引擎与人工智能决策能力,能显著提升系统的感知、预测与自主控制价值。这种融合方案尤其适用于工业制造、智慧城市等需要高保真模拟与智能优化的场景。例如,通过集成计算机视觉和机器学习模型,可实现设备异常检测与预测性维护,这正是当前工业互联网和智能制造领域的热点应用。本文以UE5与AI技术栈的深度融合为例,具体探讨了如何利用ONNX R

weixin_33882452的博客 409

flutter_for_openharmony逆向思维训练app实战+图形规律实现

这篇文章介绍了一个图形规律训练页的实现,主要功能包括: 页面结构设计 采用Scaffold+AppBar标准布局 分区域展示目标图案和用户操作区 底部放置"显示答案"功能按钮 核心交互实现 使用StatefulWidget管理网格状态 采用二维数组存储目标图案和用户操作 通过手势检测实现单元格点击交互 关键代码特点 复用_buildGrid方法渲染两种网格 使用const优化性能 响应式尺寸单位适配不同屏幕 清晰的状态管理和UI更新机制 该实现简洁高效地完成了图形规律训练的核心功能,代码

hhhjhl的博客 525
上一篇: 虚幻引擎——场景动态加载
下一篇: 本地安排上HTTPS的最佳途径~
xosg
xosg 领域专家: 网络协议与安全技术领域 领域专家: 网络协议与安全技术领域
博客等级 码龄9年 1987粉丝 864原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xosg

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值