2026年7月11日，AMD在I3D国际研讨会上发布了名为PEPS的位置编码投影采样技术。该方法重新设计了位置编码的组织与应用逻辑，在图像重建质量不受影响的前提下，使神经纹理压缩模型的参数规模降低25%。相关论文由Guillaume Perez等三位研究人员共同完成。

　　神经纹理压缩的核心在于构建隐式神经表示模型，通过学习空间坐标到对应信号值的映射关系，实现对图像、纹理或几何属性的高效表达。PEPS在此框架下提出新思路：将传统正弦与余弦函数构成的每个位置编码投影，视为李萨如曲线上的一个特定点；随后对这些点实施编码器采样或网格化采样，显著提升了隐式表征的信息承载能力。

　　该技术已在图像重建、纹理压缩以及符号距离函数建模三类典型任务中完成验证。在硬件实测环节，搭载于RX 9070 XT显卡平台的结果显示：生成一张1024×1024分辨率、三通道纹理所需时间，由基准BI-grid方案的4.32毫秒上升至Grid-PEPS方案的5.47毫秒；经进一步优化形成的Grid-PinkPEPS版本则将耗时控制在4.86毫秒。性能下降主要源于新增采样操作带来的额外计算负载与内存访问开销。

　　在符号距离函数领域，PEPS同样展现出良好适应性。以Pitted Stonefish模型为例，Grid-PEPS仅需原方法八分之一的编码器参数量，即可实现相近的交并比指标。

　　这一进展为缓解3D渲染过程中日益突出的显存压力提供了新的技术路径。目前，行业内尚无游戏产品完整集成神经纹理压缩技术，公开可用的相关工具也极为有限。尽管已有厂商推出演示级方案，但AMD尚未为该项技术确立正式名称。随着显存容量瓶颈持续加剧，此类压缩方法的实际应用进程仍值得高度关注。