Godot引擎中非2次幂尺寸DDS纹理加载问题解析
2025-04-29 12:54:05作者:宣聪麟
在游戏开发中,DDS(DirectDraw Surface)是一种常见的纹理文件格式,因其支持硬件加速和多种压缩格式而被广泛使用。本文将深入分析Godot引擎在处理非2次幂尺寸(NPOT)且带有mipmap的DDS纹理时遇到的问题及其解决方案。
问题现象
当开发者尝试在Godot引擎中加载具有以下特征的DDS纹理时会出现加载失败:
- 使用RGBA8格式
- 包含mipmap层级
- 纹理尺寸为非2次幂(如120×120或512×384)
错误信息通常表现为预期的图像数据大小与实际大小不匹配,例如:
ERROR: Expected Image data size of 512x384x1 (DXT5 RGBA8 with 9 mipmaps) = 262192 bytes, got 262176 bytes instead.
技术背景
DDS格式由微软开发,支持多种压缩格式(如DXT1/DXT5/BC7等)和特性(如mipmap、立方体贴图等)。传统上,图形API要求纹理尺寸为2次幂,但现代API已放宽此限制。
Mipmap是纹理的缩小版本序列,用于提高渲染质量和性能。计算mipmap尺寸时,通常采用逐步除以2并向下取整的方式。
问题根源分析
Godot引擎中存在两处关键计算错误:
-
非压缩格式的mipmap尺寸计算错误 对于未压缩的RGBA8格式,Godot错误地使用了
(w + 1) >> 1的计算方式,这会导致奇数尺寸处理不正确。正确的做法应使用MAX(1u, w >> 1)。以120×120纹理为例:
- 错误计算会产生8×8、4×4、2×2的mipmap
- 正确计算应产生7×7、3×3、1×1的mipmap
-
压缩格式的块尺寸计算错误 对于DXT等压缩格式,Godot使用了不正确的块尺寸计算公式:
MAX(info.divisor, w) / info.divisor * MAX(info.divisor, h) / info.divisor * info.block_size;而根据微软DDS规范,正确公式应为:
MAX(1, (w + 3) / 4) * MAX(1, (h + 3) / 4) * info.block_size;这种差异在尺寸不被4整除时尤为明显,如8×6纹理:
- 错误计算得到48字节
- 正确计算应得到64字节
解决方案
Godot引擎已通过以下改进修复了这些问题:
- 统一了压缩和非压缩格式的mipmap尺寸计算逻辑,均采用
MAX(1u, w >> 1)方式 - 修正了压缩格式的块尺寸计算公式,遵循微软DDS规范
- 保留了对于非4整除尺寸的警告提示,但允许继续加载
开发者建议
虽然现代图形API支持NPOT纹理,但为了最佳兼容性和性能,建议:
- 尽量使用2次幂尺寸的纹理
- 若必须使用NPOT纹理,确保尺寸至少能被4整除(对于压缩格式)
- 测试纹理在所有目标平台上的表现
- 考虑使用工具预处理纹理,确保符合规范
总结
Godot引擎通过改进DDS加载器的核心算法,现在能够正确处理非2次幂尺寸且带有mipmap的DDS纹理。这一改进增强了引擎的兼容性,使开发者能够更灵活地使用各种来源的纹理资源。理解这些底层机制有助于开发者更好地处理纹理资源,避免潜在问题。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
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
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
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
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210