Neural Texture Block Compression

块压缩是实时图形应用中广泛使用的一种压缩纹理的技术，可以减小存储空间。然而，由于固定的压缩比率，它们的存储效率受到限制，当需要数百个高质量纹理时，存储空间大大增加。本文提出了一种新的块纹理压缩方法，使用神经网络，称为神经纹理块压缩（NTBC）。NTBC学习了从未压缩的纹理到块压缩纹理的映射，可以显著降低存储成本，而不需要更改着色器。我们的实验表明，NTBC可以在保留实时性能的同时，在图形管道中的纹理加载阶段具有适度的计算开销，实现高达70%的存储空间占用率的合理质量结果。

提高块纹理压缩的存储效率和性能，解决实时图形应用中大量高质量纹理的存储问题。

使用神经网络学习从未压缩的纹理到块压缩纹理的映射，实现高效的存储和实时性能。

提出了一种新的块纹理压缩方法NTBC，相比现有技术在存储效率和性能方面都有显著提高。实验结果表明，NTBC可以在保持实时性能的同时，将存储占用减少70%左右。

与其他纹理压缩技术进行了比较，如基于DCT的压缩方法、基于向量量化的方法等。