AMD在I3D研讨会上展示了一项名为PEPS的新研究，题为《PEPS：位置编码投影采样》（PEPS： Positional Encoding Projected Sampling），该研究引入了一种新的位置编码方法，能够提升神经纹理压缩的效果。
神经纹理压缩是如何工作的
神经纹理压缩（Neural Texture Compression）通过训练所谓的INR（隐式神经表示，Implicit Neural Representations）来学习坐标到信号的函数。通过将纹理坐标投影到更高维度的嵌入空间，并将这些信息输入一个多层感知机，就可以高效地表示和压缩纹理。
PEPS：位置编码投影采样
PEPS（Positional Encoding Projected Sampling）通过改变位置编码的使用方式，引入了一种新方法来提升此过程的效率。通常，位置编码会将低维坐标投影到高维的正弦/余弦向量中。PEPS在此基础上更进一步，它将每个正弦/余弦投影视为利萨如图形（Lissajous curve）上的一个点，然后在那些投影点上对编码器/网格进行采样，从而增加了INR所表征的信息量。
这里的权衡之处在于，这种尺寸缩减是以增加计算开销为代价的。在AMD于9070 XT上的测试中，生成一幅1024×1024的三通道纹理，时间从双线性网格（BI-grid）基准的4.32毫秒增加到了Grid-PEPS版本的5.47毫秒，而进一步优化的Grid-PinkPEPS版本则将其降至4.86毫秒。这种性能损耗可以解释为，PEPS引入的额外采样需要更多的计算量和内存访问。
PEPS在神经纹理压缩之外的应用
除了神经纹理压缩，这项新技术在SDF（符号距离函数，Signed Distance Function，用于3D渲染）领域也有应用潜力。众所周知，SDF需要高分辨率网格，这会占用大量显存，因此通过轻量级神经压缩模型来优化内存使用至关重要。在对Pitted Stonefish SDF进行测试时，Grid-PEPS能够大致匹配非PEPS方法（使用8倍编码器参数）的IoU（交并比，Intersection Over Union，即重建3D形状与原始形状的重叠精度）。
对FSR套件的影响：暂时别指望能在你的Radeon GPU上运行它
虽然从技术角度看，这项研究无疑很有趣，但很难判断它何时会对消费者产生影响。目前，只有英伟达（NVIDIA）有任何形式公开可用的神经纹理压缩工具包或演示，并且市面上没有一款游戏实现了完整的NTC（神经纹理压缩，Neural Texture Compression）。在AMD方面，支持甚至更为稀少——事实上，AMD甚至还没有正式为其想出一个品牌名称；在他们所有的研究中，都使用通用术语来指代这项技术。无论如何，很高兴看到这个领域取得了进展，尤其是在内存末日（RAMpocalypse）确保未来几年内我们仍会见到8GB显卡的情况下。
