vkd3d-proton项目中纹理采样精度问题的技术解析
2025-07-04 21:18:55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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
660