Improved Stochastic Texture Filtering Through Sample Reuse

随机纹理过滤（STF）作为一种能够降低高级纹理压缩方法（例如神经纹理压缩）过滤成本的技术，再次受到关注。然而，在纹理放大过程中，使用 STF 时过滤与着色顺序的交换可能导致混叠现象。无法平滑插值存储在纹理中的材质属性（如表面法线）可能会引起不希望的外观变化。我们提出了一种新方法，用于提升随机过滤放大的纹理质量，并减少与传统纹理过滤相比的图像差异。当纹理被放大时，相邻像素会过滤相似的纹理单元集合，因此我们引入了共享像素间纹理值的技术，仅以极小的成本增加（每帧 0.04–0.14 毫秒）。我们还对加权重要性采样进行了改进，确保我们的方法不会使误差超过单样本随机纹理过滤的水平。在高放大倍率下，我们的方法比单样本 STF 的 PSNR 高出 >10 dB。我们的结果表明，无论是否使用时空去噪，图像质量都有显著提升。

论文试图解决使用随机纹理过滤（STF）在高倍率纹理放大时出现的混叠问题，尤其是由于材质属性（如表面法线）无法平滑插值导致的视觉质量问题。这是一个在神经纹理压缩等高级纹理压缩方法中常见的挑战。

论文提出了一种改进的随机纹理过滤方法，通过共享邻近像素的纹理值来减少计算成本，并引入了优化的加权重要性采样技术以确保误差不会超过单样本STF。该方法在高倍放大的情况下显著提高了PSNR (>10 dB)，并且与传统纹理过滤相比减少了图像差异。

实验设计涵盖了多种纹理放大场景，包括有无时空去噪的情况。研究展示了其方法在性能和质量之间的平衡，并且在高倍放大时表现出色。论文没有明确提到是否开源代码，但强调了其方法对硬件资源的需求较低，适合实时渲染应用。未来值得深入研究的方向包括更高效的采样策略以及结合深度学习的纹理生成方法。

相关研究包括：1) "Real-Time Neural Texture Compression for GPUs" 提出了基于神经网络的纹理压缩方法；2) "Blue-Noise Dithered Texture Sampling" 探讨了蓝噪声抖动在纹理采样中的应用；3) "Spatiotemporal Denoising for Stochastic Rendering" 研究了时空去噪在随机渲染中的效果。这些研究共同推动了高效纹理处理和高质量渲染的发展。