인프라 연구
Thread-Efficient Decoding for Neural Texture Compression
ARarXiv
신경 텍스처 압축(NTC)은 고압축률을 제공하지만, GPU 스레드 분기 문제로 인해 성능 저하가 발생하는 한계가 있었습니다. 본 연구는 공유 디코더 MLP 구조와 텍스처 클러스터링 기법을 결합하여 이를 해결했습니다.
세 줄 요약
- CLIP 임베딩 기반의 의미론적 클러스터링으로 텍스처를 그룹화하여 스레드 분기를 최대 52%까지 줄였으며, 기존 방식 대비 최대 8.48배의 속도 향상을 달성했습니다.
- 이 기술은 고품질 압축 성능을 유지하면서 GPU 병목 현상을 크게 개선합니다. 이는 실시간 그래픽 렌더링 환경에서 효율성과 처리 속도를 대폭 끌어올릴 수 있음을 의미합니다.
- 500개 이상의 다양한 텍스처와 여러 실제 렌더링 장면을 대상으로 광범위하게 성능이 검증되었으며, 공유 디코딩의 효과를 입증했습니다.
신경 텍스처 압축(NTC)은 고압축률을 제공하지만, GPU 스레드 분기 문제로 인해 성능 저하가 발생하는 한계가 있었습니다. 본 연구는 공유 디코더 MLP 구조와 텍스처 클러스터링 기법을 결합하여 이를 해결했습니다.