論文の概要: Thread-Efficient Decoding for Neural Texture Compression

• arxiv url: http://arxiv.org/abs/2608.27888v1
• Date: Fri, 28 Aug 2026 03:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.198489
• Title: Thread-Efficient Decoding for Neural Texture Compression
• Title（参考訳）: ニューラルテクスチャ圧縮のためのスレッド効率の良い復号法
• Abstract要約: NTCはBCnフォーマットよりも高い圧縮比を達成するが、スレッドのばらつきに悩まされる。 段階的なデコーダ凍結スケジュールでトレーニングされた共有デコーダアーキテクチャとテクスチャクラスタリングを組み合わせることで,スレッドの分散を25%-52%削減する。 我々は,Radeon RX 9070 XT GPUにおいて,500以上のテクスチャと複数の実写シーンにおいて,最大8.48倍の高速化を示す。
• 参考スコア（独自算出の注目度）: 0.77451677278277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural texture compression (NTC) achieves higher compression ratios than BCn formats but suffers from GPU thread divergence, which significantly reduces runtime performance. In this work, we propose a shared decoder MLP architecture -- trained with a gradual decoder freezing schedule -- combined with texture clustering to reduce thread divergence by 25%-52% while preserving rendering quality. We evaluate our method on over 500 textures and multiple real rendering scenes, demonstrating up to 8.48x speedup on the Radeon RX 9070 XT GPU compared to non-shared baselines. Our key contributions include: (1) a unified shared decoder architecture that reduces divergence by grouping textures; (2) a training recipe with gradual decoder freezing that improves stability and reconstruction accuracy; (3) a semantic clustering strategy using CLIP embeddings that groups similar textures for effective decoder sharing; and (4) comprehensive performance and ablation studies validating our approach.
• Abstract（参考訳）: ニューラルテクスチャ圧縮(NTC)は、BCnフォーマットよりも高い圧縮比を達成するが、GPUスレッドのばらつきに悩まされ、実行時のパフォーマンスが大幅に低下する。 本研究では,段階的なデコーダ凍結スケジュールをトレーニングした共有デコーダMLPアーキテクチャとテクスチャクラスタリングを組み合わせることで,レンダリング品質を維持しながらスレッドのばらつきを25%から52%低減する手法を提案する。 我々は,Radeon RX 9070 XT GPUにおいて,500以上のテクスチャと複数の実写シーンにおいて,非共有ベースラインと比較して最大8.48倍の高速化を示す。 主な貢献は,(1) テクスチャの集合化による分散化を抑える統一型共有デコーダアーキテクチャ,(2) 安定性と再構築精度を向上させる段階的デコーダ凍結によるトレーニングレシピ,(3) 類似したテクスチャをグループ化して効果的なデコーダ共有を行うCLIP埋め込みを用いたセマンティッククラスタリング戦略,(4) 総合的なパフォーマンスとアブレーション研究によるアプローチの検証である。

関連論文リスト

• ProGIC: Progressive and Lightweight Generative Image Compression with Residual Vector Quantization [59.481950697968706]
  残留ベクトル量子化(RVQ)に基づくコンパクトなプログレッシブ生成画像圧縮(ProGIC)を提案する。 RVQでは、ベクトル量子化器の列がステージごとに残余を符号化し、それぞれが独自のコードブックを持つ。 これを奥行き分離可能な畳み込みと小さな注意ブロックに基づく軽量なバックボーンと組み合わせることで、GPUとCPUのみのデバイスに実用的なデプロイを可能にします。
  論文  参考訳（メタデータ） (2026-03-03T11:47:05Z)
• VideoCompressa: Data-Efficient Video Understanding via Joint Temporal Compression and Spatial Reconstruction [55.66673587952058]
  ビデオ理解モデルは、大規模データセットの禁止ストレージと計算コストによって、ますます制限されている。 VideoCompressaはビデオデータ合成のための新しいフレームワークで、動的潜在圧縮として問題を再構成する。
  論文  参考訳（メタデータ） (2025-11-24T07:07:58Z)
• GANCompress: GAN-Enhanced Neural Image Compression with Binary Spherical Quantization [0.0]
  GANCompressは、二元球量子化(BSQ)とGAN(Generative Adversarial Networks)を組み合わせた新しいニューラル圧縮フレームワークである。 GANCompressは圧縮効率を大幅に向上し、ファイルサイズを最大100倍まで削減し、視覚的歪みを最小限に抑える。
  論文  参考訳（メタデータ） (2025-05-19T00:18:27Z)
• Neural Graphics Texture Compression Supporting Random Access [34.974631096947284]
  本稿では,従来のGPUテクスチャ表現とNIC技術を統合したテクスチャセット圧縮手法を提案する。 本稿では、畳み込みエンコーダを用いた非対称自動エンコーダフレームワークを提案する。 実験により,従来のテクスチャ圧縮よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-05-06T19:44:13Z)
• 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)
• Random-Access Neural Compression of Material Textures [1.2971248363246106]
  材料テクスチャに特化して設計された新しいニューラル圧縮手法を提案する。 我々は低圧縮でさらに2つの詳細レベル、すなわち16倍のテクセルをアンロックする。 本手法では,ランダムアクセスによるオンデマンドリアルタイム圧縮が可能で,ディスクやメモリ上での圧縮が可能となる。
  論文  参考訳（メタデータ） (2023-05-26T17:16:22Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)
• Conditional Entropy Coding for Efficient Video Compression [82.35389813794372]
  本稿では,フレーム間の条件エントロピーをモデル化することのみに焦点を当てた,非常にシンプルで効率的なビデオ圧縮フレームワークを提案する。 まず、画像遅延符号間のエントロピーをモデル化する単純なアーキテクチャが、他のニューラルビデオ圧縮やビデオコーデックと同等の競争力を持つことを示す。 次に、このアーキテクチャの上に新しい内部学習拡張を提案し、復号速度を抑えることなく10%の節約を実現した。
  論文  参考訳（メタデータ） (2020-08-20T20:01:59Z)
• Deep Implicit Volume Compression [33.81053554523246]
  本稿では,3次元ボクセル格子に格納された切り離された符号付き距離場を圧縮する新しい手法について述べる。 我々の手法は、エンドツーエンドで訓練されたブロックベースのニューラルネットワークアーキテクチャに依存し、最先端の速度歪みトレードオフを実現する。
  論文  参考訳（メタデータ） (2020-05-18T16:46:13Z)
• Content Adaptive and Error Propagation Aware Deep Video Compression [110.31693187153084]
  本稿では,コンテンツ適応型・誤り伝搬対応型ビデオ圧縮システムを提案する。 本手法では, 複数フレームの圧縮性能を1フレームではなく複数フレームで考慮し, 共同学習手法を用いる。 従来の圧縮システムでは手作りのコーディングモードを使用する代わりに,オンラインエンコーダ更新方式をシステム内に設計する。
  論文  参考訳（メタデータ） (2020-03-25T09:04:24Z)
• Improved Image Coding Autoencoder With Deep Learning [8.92071749364712]
  自動エンコーダベースのパイプラインを構築し,Ball'eのアプローチに基づく極端エンドツーエンドの画像圧縮を実現する。 ピクセル当たりのビット数は4.0%減少し(bpp)、マルチスケール構造類似度(MS-SSIM)は0.03%増加し、ピーク信号-ノイズ比(PSNR)は0.47%低下した。
  論文  参考訳（メタデータ） (2020-02-28T03:21:47Z)

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。