論文の概要: Collaborative Texture Filtering

• arxiv url: http://arxiv.org/abs/2506.17770v1
• Date: Sat, 21 Jun 2025 17:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.575423
• Title: Collaborative Texture Filtering
• Title（参考訳）: 協調型テクスチャフィルタ
• Authors: Tomas Akenine-Möller, Pontus Ebelin, Matt Pharr, Bartlomiej Wronski,
• Abstract要約: テクスチャ圧縮の最近の進歩は圧縮比を大幅に改善するが、圧縮とフィルタリングにはGPUのテクスチャユニットを使用することはできない。 本稿では, 路面間の波動通信を用いて, フィルタ前の繰り返しテクセル減圧を回避するアルゴリズムを提案する。 レーンに一意な処理を分散させることで、十分大きな倍率係数を与えられたピクセルあたりの =1 texel 評価を用いてゼロエラーフィルタリングを実現することができる。
• 参考スコア（独自算出の注目度）: 1.7949335303516187
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in texture compression provide major improvements in compression ratios, but cannot use the GPU's texture units for decompression and filtering. This has led to the development of stochastic texture filtering (STF) techniques to avoid the high cost of multiple texel evaluations with such formats. Unfortunately, those methods can give undesirable visual appearance changes under magnification and may contain visible noise and flicker despite the use of spatiotemporal denoisers. Recent work substantially improves the quality of magnification filtering with STF by sharing decoded texel values between nearby pixels (Wronski 2025). Using GPU wave communication intrinsics, this sharing can be performed inside actively executing shaders without memory traffic overhead. We take this idea further and present novel algorithms that use wave communication between lanes to avoid repeated texel decompression prior to filtering. By distributing unique work across lanes, we can achieve zero-error filtering using <=1 texel evaluations per pixel given a sufficiently large magnification factor. For the remaining cases, we propose novel filtering fallback methods that also achieve higher quality than prior approaches.
• Abstract（参考訳）: テクスチャ圧縮の最近の進歩は圧縮比を大幅に改善するが、圧縮とフィルタリングにはGPUのテクスチャユニットを使用することはできない。 これにより、確率的テクスチャフィルタリング(STF)技術が開発され、このようなフォーマットによる複数のテクセル評価の高コスト化が回避された。 残念なことに、これらの手法は倍率下では望ましくない視覚変化を与えることができ、時空間デノイザーを用いても可視ノイズやフリックを含む可能性がある。 最近の研究は、隣接する画素間でデコードされたテクセル値を共有することにより、STFによる倍率フィルタリングの品質を大幅に向上させる(Wronski 2025)。 GPUウェーブ通信の内在性を利用して、メモリトラフィックのオーバーヘッドなしにシェーダをアクティブに実行する内部でこの共有を行うことができる。 このアイデアをさらに推し進め,フィルタ前に繰り返しテクセル減圧を回避するために,車線間の波動通信を用いた新しいアルゴリズムを提案する。 1ピクセルあたりの<=1 texel 評価を十分に大きな倍率係数で行うことで、レーンに固有の処理を分散させることでゼロエラーフィルタリングを実現することができる。 残りの事例に対しては,従来の手法よりも高品質なフィルタフォールバック手法を提案する。

関連論文リスト

• Improved Stochastic Texture Filtering Through Sample Reuse [1.9608359347635143]
  テクスチャフィルタリング (STF) は, 高度なテクスチャ圧縮手法のテクスチャフィルタリングのコストを下げる手法として再開発されている。 テクスチャーの倍率化の間、STFによるフィルターとシェーディングの交換順序はエイリアス化をもたらす。 そこで本研究では,テクスチャフィルターによる微細なテクスチャの品質向上と,画像差の低減を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T23:28:52Z)
• Scene Prior Filtering for Depth Super-Resolution [97.30137398361823]
  テクスチャ干渉とエッジ不正確性を緩和するScene Prior Filtering Network(SPFNet)を導入する。 我々のSPFNetは、実データと合成データの両方で広範囲に評価され、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-02-21T15:35:59Z)
• You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
  近年,学習画像圧縮(lic)法は大きな進歩を遂げている。 licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。 原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。 極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:36:22Z)
• Stochastic Texture Filtering [3.4202659118354104]
  フィルタテクスチャルックアップは高品質な画像を生成するのに不可欠である。 提案手法では,BSDF 評価よりも照明評価後のフィルタリングにより,レンダリング方程式の精度が向上することを示す。 リアルタイムレンダリングとオフラインレンダリングの両方でアプリケーションを実演し、追加エラーが最小限であることを示す。
  論文  参考訳（メタデータ） (2023-05-09T23:50:25Z)
• Unrolled Compressed Blind-Deconvolution [77.88847247301682]
  sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。 そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:16:58Z)
• Image Restoration in Non-Linear Filtering Domain using MDB approach [0.0]
  画像強調の目的は、破損した画像から真のイメージを再構築することである。 画像劣化は、元の画像に異なる種類のノイズが加えられることによる可能性がある。 インパルスノイズは、局所的な近傍と一致しない灰色の値の画素を生成する。
  論文  参考訳（メタデータ） (2022-04-20T08:23:52Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Anti-aliasing Deep Image Classifiers using Novel Depth Adaptive Blurring and Activation Function [7.888131635057012]
  深層畳み込みネットワークは画像翻訳やシフトに弱い。 教科書の解決策は、ダウンサンプリングの前にローパスフィルタリングである。 単調なぼかしとは対照的に,Depth Adaptive Blurringの方が有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-03T01:00:52Z)
• Permute, Quantize, and Fine-tune: Efficient Compression of Neural Networks [70.0243910593064]
  ベクトル量子化の成功の鍵は、どのパラメータ群を一緒に圧縮するかを決定することである。 本稿では,隣り合う2つの層の重みを同じ関数を表現しながら不変にすることができることを観察する。 次に、レート歪み理論への接続を確立し、圧縮し易いネットワークとなる置換を探索する。
  論文  参考訳（メタデータ） (2020-10-29T15:47:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。