ИТ Главная страница Согласно новостям от 8 мая, 7 мая по местному времени компания AMD обновила SDK DGF (Dense Geometry Format) до версии 1.2 и представила новую технологию под названием DGF SuperCompression (DGFS).
Эта технология предназначена для дальнейшего сжатия данных DGF и снижения затрат на хранение при сохранении совместимости с оборудованием, отличным от DGF.
DGF — это аппаратно-ориентированный эффективный формат сжатия геометрии, разработанный для обеспечения доступа к информации, необходимой для каждого треугольника, за одно чтение из выровненной памяти размером 128 байт. Однако эта особенность делает DGF неэффективным в качестве формата хранения: положения вершин и параметры сжатия должны повторяться в нескольких блоках, а для выравнивания данных необходимо вставлять биты заполнения.
Будучи системой сжатия на программном уровне, DGFS может повторно сжимать данные DGF, чтобы значительно уменьшить геометрический объем. Данные, зашифрованные с помощью DGFS, не могут использоваться напрямую аппаратным обеспечением, но они могут точно восстановить исходный блок DGF и поддерживать эффективное декодирование в традиционные буферы вершин и индексов, поэтому они могут работать с оборудованием, отличным от DGF.
По сравнению с непосредственным хранением блоков DGF использование DGFS в пакетах ресурсов имеет два основных преимущества: размер файла можно уменьшить до 22% после сжатия; и единый формат ресурсов может использоваться для устройств DGF и не-DGF.
DGFS использует кластерное сжатие. Каждый кластер треугольников (т. е. мешлет) сжимается и декодируется независимо, что соответствует архитектурной тенденции в современных механизмах рендеринга небольших автономных треугольников. Некоторые люди видят в DGF ответ на структуру ускорения на уровне кластера (CLAS), но AMD объяснила, что на самом деле это недоразумение: DGF и CLAS — это не взаимозаменяющие, а дополняющие друг друга технологии.
Кодер DGFS сначала декодирует вершины блоков и создает единое пространство кодирования (якоря, индексы и смещения), устраняя дублирующиеся вершины после преобразования всех вершин в это общее пространство. Уникальные позиции вершин затем преобразуются в разности, кодируются зигзагом и сохраняются в виде структурированного массива с чередованием байтов. AMD заявляет, что эта настройка помогает улучшить степень сжатия при применении универсального сжатия поверх потоков DGFS.
В сжатом потоке вершины располагаются в определенном порядке: уникальные вершины индексируются начиная с начала таблицы вершин в порядке их первого появления в блоке; повторяющиеся вершины размещаются в конце и индексируются сзади. Каждый блок соответствует таблице вершин, и бит используется для определения принадлежности каждой вершины блока к «уникальному» или «общему» набору. Индекс уникальной вершины вычисляется путем увеличения счетчика, а индекс общей вершины сохраняется напрямую. Индексирование общих вершин из массива обратно приводит к уменьшению значений индекса, хранящихся в массиве вершин.
Данные испытаний, предоставленные AMD, показывают, что DGFS примерно на 30% меньше, чем DGF, с точки зрения необработанного объема хранилища. В игровом сценарии данные DGFS не хранятся в памяти, поэтому размер сжатого диска более важен.
Когда для сжатия используется GDeflate, DGFS примерно на 20% меньше, чем DGF. Что касается скорости декодирования, одно ядро ЦП может завершить декодирование крупномасштабных моделей за очень короткое время, а потоковое декодирование на базе ЦП происходит довольно быстро. AMD также отметила, что декодеры на базе графических процессоров также возможны, а векторизованная версия декодера DGFS имеет хорошую производительность.
Отказ от ответственности: внешние ссылки перехода (включая, помимо прочего, гиперссылки, QR-коды, пароли и т. д.), содержащиеся в статье, используются для передачи дополнительной информации и экономии времени выбора. Результаты предназначены только для справки. Это утверждение содержится во всех статьях IT House.
