La recherche AMD « PEPS » avance la compression neuronale de textures réduisant les paramètres de 25% pour une qualité équivalente

AMD dévoile une nouvelle méthode d’encodage pour la compression neuronale des textures, un pas technique qui pourrait un jour alléger la consommation de mémoire des jeux. Cette innovation, baptisée PEPS, cherche à optimiser un procédé complexe en améliorant la façon dont les coordonnées sont traitées.

Un aperçu technique

Lors d’un symposium récent, AMD a présenté une recherche intitulée « PEPS : Positional Encoding Projected Sampling ». Cette méthode vise à améliorer la compression neuronale des textures, une technique qui utilise des réseaux de neurones pour réduire considérablement la taille des fichiers de textures tout en préservant la qualité.

Comment fonctionne la compression neuronale des textures ?

Le principe repose sur l’apprentissage de représentations neurales implicites (INR). Ces modèles apprennent à associer des coordonnées spatiales aux valeurs de couleur d’une texture. En projetant ces coordonnées dans un espace de plus grande dimension et en les injectant dans un perceptron multicouche, il devient possible de compresser les textures de manière très efficace.

PEPS : Positional Encoding Projected Sampling

La méthode PEPS propose une nouvelle approche de l’encodage positionnel, une étape clé du processus. Habituellement, cet encodage projette des coordonnées basse dimension sur un vecteur de fonctions sinus/cosinus. PEPS va plus loin en traitant chaque projection comme un point sur une courbe de Lissajous, puis en échantillonnant l’encodeur à ces points projetés. Cela permet à la représentation neurale de contenir davantage d’informations.

Ce gain en compression a un coût en performance. Dans les tests d’AMD sur une Radeon RX 9070 XT, la génération d’une texture 1024×1024 à trois canaux est passée de 4,32 ms avec la méthode de référence à 5,47 ms avec Grid-PEPS. Une version optimisée, Grid-PinkPEPS, a ramené ce temps à 4,86 ms. Cette pénalité s’explique par les calculs supplémentaires et les accès mémoire requis par l’échantillonnage supplémentaire introduit par PEPS.

Applications de PEPS au-delà de la compression de textures

Cette technique ne se limite pas aux textures. Elle pourrait aussi être utile pour les fonctions de distance signée (SDF), utilisées en rendu 3D. Les SDF nécessitent habituellement des grilles haute résolution très gourmandes en mémoire vidéo. Les méthodes de compression neuronale légères sont donc cruciales. Lors d’un test sur un modèle 3D complexe, Grid-PEPS a atteint une précision de reconstruction similaire à celle des méthodes sans PEPS, mais en utilisant 8 fois moins de paramètres dans l’encodeur.

Implications pour FSR : pas pour demain sur vos cartes graphiques

Si cette recherche est techniquement intéressante, son arrivée chez les consommateurs n’est pas pour tout de suite. Actuellement, seul NVIDIA propose des démonstrations publiques liées à la compression neuronale des textures, et aucun jeu ne l’utilise pleinement. Du côté d’AMD, le support est encore plus limité ; la firme n’a même pas encore officialisé de nom commercial pour cette technologie. Néanmoins, ces avancées sont positives, surtout dans un paysage où les GPU avec seulement 8 Go de mémoire risquent de rester courants encore plusieurs années.