Improved Stochastic Texture Filtering Through Sample Reuse

📄 arXiv: 2504.05562v1 📥 PDF

作者: Bartlomiej Wronski, Matt Pharr, Tomas Akenine-Möller

分类: cs.GR, cs.CV

发布日期: 2025-04-07

备注: Accepted to 2025 ACM SIGGRAPH Symposium on Interactive 3D Graphics and Games (I3D 2025)

期刊: Proceedings of the ACM on Computer Graphics and Interactive Techniques (2025), Volume 8, Issue 1, Article No: 14. Publication date: May 2025

DOI: 10.1145/3728292

💡 一句话要点

提出基于样本重用的改进随机纹理滤波方法，提升放大纹理质量

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 随机纹理滤波 纹理放大 纹素共享 加权重要性采样 图像质量提升

📋 核心要点

  1. 传统纹理滤波在处理高级纹理压缩时计算成本高昂，而随机纹理滤波(STF)在放大时易产生混叠和不良外观。
  2. 通过在相邻像素间共享纹素值，并改进加权重要性采样，降低了STF的误差，提升了放大纹理的质量。
  3. 实验结果表明，该方法在高放大率下PSNR提升超过10dB，显著改善了图像质量，且额外开销较小。

📝 摘要（中文）

随机纹理滤波(STF)作为一种降低高级纹理压缩方法（如神经纹理压缩）纹理滤波成本的技术，再次受到关注。然而，在纹理放大过程中，STF滤波和着色的顺序颠倒会导致混叠。无法平滑插值存储在纹理中的材质属性（如表面法线）会导致潜在的不良外观变化。本文提出了一种新方法，以提高随机滤波放大纹理的质量，并减少与传统纹理滤波相比的图像差异。当纹理被放大时，附近的像素会过滤相似的纹素集合，因此我们引入了在像素之间共享纹素值的技术，而成本仅略有增加（每帧0.04-0.14毫秒）。我们提出了一种加权重要性采样的改进方法，保证了我们的方法永远不会增加超过单样本随机纹理滤波的误差。在高放大率下，我们的方法比单样本STF具有>10 dB的更高PSNR。我们的结果表明，无论是否进行时空去噪，图像质量都得到了极大的改善。

🔬 方法详解

问题定义：论文旨在解决随机纹理滤波（STF）在纹理放大时产生的混叠问题，以及由此导致的不良视觉效果，例如表面法线等材质属性无法平滑插值。现有STF方法在放大纹理时，由于滤波和着色顺序的颠倒，容易引入误差，影响图像质量。

核心思路：核心思路是利用纹理放大时相邻像素会过滤相似纹素集合的特性，通过在这些像素之间共享纹素值来提高滤波质量。此外，通过改进加权重要性采样，确保新方法不会引入额外的误差，从而在提升图像质量的同时，保持STF的效率优势。

技术框架：该方法主要包含两个阶段：首先，识别并共享相邻像素间用于滤波的纹素值。具体实现上，通过某种邻域搜索策略（论文中未明确说明具体策略，属于未知信息）找到需要共享纹素的像素集合。其次，使用改进的加权重要性采样方法，对共享的纹素值进行加权平均，得到最终的滤波结果。整个过程旨在减少STF的随机性，从而降低混叠效应。

关键创新：关键创新在于纹素值的共享机制和改进的加权重要性采样方法。纹素值共享利用了纹理放大时的冗余信息，减少了滤波过程中的随机性。改进的加权重要性采样保证了在共享纹素值的同时，不会引入额外的误差，确保了图像质量的提升。与传统STF方法相比，该方法在保证效率的同时，显著提升了放大纹理的视觉质量。

关键设计：论文中没有详细描述邻域搜索的具体算法和参数设置，属于未知信息。改进的加权重要性采样的具体实现细节也未完全公开，但强调了其保证不增加误差的特性。论文中提到了该方法引入的额外开销为每帧0.04-0.14毫秒，表明该方法在实际应用中具有较好的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在高放大率下，该方法比单样本STF具有超过10dB的更高PSNR，显著提升了图像质量。同时，该方法引入的额外开销仅为每帧0.04-0.14毫秒，表明其具有良好的性能。实验还验证了该方法在有无时空去噪的情况下均能有效改善图像质量。

🎯 应用场景

该研究成果可应用于各种需要高质量纹理放大的图形渲染场景，例如游戏、虚拟现实、电影特效等。通过降低纹理滤波的计算成本，并提升放大纹理的视觉质量，该方法有助于提高渲染效率和用户体验。尤其是在移动设备等计算资源受限的平台上，该方法具有重要的应用价值。

📄 摘要（原文）

Stochastic texture filtering (STF) has re-emerged as a technique that can bring down the cost of texture filtering of advanced texture compression methods, e.g., neural texture compression. However, during texture magnification, the swapped order of filtering and shading with STF can result in aliasing. The inability to smoothly interpolate material properties stored in textures, such as surface normals, leads to potentially undesirable appearance changes. We present a novel method to improve the quality of stochastically-filtered magnified textures and reduce the image difference compared to traditional texture filtering. When textures are magnified, nearby pixels filter similar sets of texels and we introduce techniques for sharing texel values among pixels with only a small increase in cost (0.04--0.14~ms per frame). We propose an improvement to weighted importance sampling that guarantees that our method never increases error beyond single-sample stochastic texture filtering. Under high magnification, our method has >10 dB higher PSNR than single-sample STF. Our results show greatly improved image quality both with and without spatiotemporal denoising.