vkd3d-proton项目中纹理采样精度问题的技术解析
2025-07-04 20:41:20作者:卓炯娓
在vkd3d-proton项目开发过程中,测试用例test_sampler_rounding在Turnip驱动上出现了几个子测试失败的情况。本文将深入分析这些问题的技术背景和解决方案。
测试场景概述
测试使用了一个2x1大小的纹理,其中左侧像素为透明,右侧像素为不透明。测试主要验证了两种纹理采样操作的行为:Gather操作和线性过滤操作。
Gather操作的精度问题
在非归一化纹理坐标下,Direct3D会先减去0.5f,然后将坐标转换为16.8定点数表示。转换过程中会使用四舍五入(round-to-nearest)行为,整数部分将作为基础纹理位置。
而Vulkan规范(16.6.1节)对于Gather操作并不要求转换为定点数。Turnip驱动遵循了这一规范,导致与D3D行为不一致。具体表现为:
- D3D在坐标接近但小于1.5时就会发生纹理采样偏移
- Turnip则严格在坐标达到1.5或更大时才发生偏移
这种差异在依赖Gather操作具有与线性过滤相同舍入语义的应用中会导致图形错误。例如AMD的CACAO演示就依赖这种行为。
线性过滤的精度问题
线性过滤测试失败的原因在于Adreno采样器在进行线性过滤时的特殊行为(Vulkan规范16.8.3节)。Turnip驱动在计算线性采样值时:
- 使用非归一化和位移调整值的分数部分作为权重
- 将权重值转换为16.8定点数时使用了向下取整(floor)而非四舍五入
这与D3D的浮点到定点数转换行为不同,Vulkan规范(3.10.2节)也确实不要求必须使用四舍五入。
解决方案
经过技术讨论,确定了以下解决方案:
- Adreno硬件实际上支持通过寄存器标志在这两种行为之间切换
- Turnip驱动进行了修改,现在在计算非归一化纹理坐标时使用四舍五入
- vkd3d-proton相应地调整了属性报告,不再为Turnip暴露
PointSamplingAddressesNeverRoundUp属性
这一系列修改确保了在不同API间纹理采样行为的一致性,解决了测试失败问题,同时也保证了依赖特定采样行为的应用程序能够正常工作。
结论
纹理采样精度问题看似微小,但在图形渲染中可能产生显著影响。通过深入理解不同API规范和行为差异,开发者能够在兼容层中做出正确的技术决策,确保跨平台图形渲染的一致性和正确性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
304
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
133
162
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
630
222
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
459
暂无简介
Dart
595
130
React Native鸿蒙化仓库
JavaScript
232
307
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
613
仓颉编译器源码及 cjdb 调试工具。
C++
123
612
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
361
2.56 K