KTX-Software 4.4.0版本发布:纹理压缩与处理工具的重大更新
KTX-Software是Khronos Group开发的一个开源项目,专注于为图形开发者提供高效的纹理压缩和处理工具。该项目包含了一系列命令行工具和库函数,能够帮助开发者创建、转换、验证和处理KTX(Khronos Texture)格式的纹理文件。KTX格式是Khronos Group为图形应用设计的标准纹理格式,广泛应用于游戏开发、虚拟现实和增强现实等领域。
核心更新内容
规范兼容性提升
KTX-Software 4.4.0版本全面兼容KTX规范修订版4和Khronos数据格式规范1.4版本。这一更新带来了几个重要改进:
-
传输函数处理机制进行了全面重构,现在支持在非sRGB格式中使用几乎任何传输函数,这为开发者提供了更大的灵活性。
-
新增了对"none"(KTX_DF_PRIMARIES_UNSPECIFIED)原色值的支持,这是KTX规范修订版4中某些格式所必需的。
-
在超级压缩文件时,现在会保留DFD中的bytesPlane[0-7]字段值,确保与Khronos数据格式规范1.4版本的兼容性。
新增工具与功能
4.4.0版本引入了多个新工具和功能:
-
ktx compare:全新的比较工具,可以对比KTX2文件之间的差异。
-
ktx deflate:支持使用Zlib或Zstd对KTX2文件进行压缩,替代了原有的ktxsc工具功能。
-
ktx create增强:
- 新增了
--assign-texcoord-origin和--convert-texcoord-origin选项,用于处理纹理坐标原点 - 增加了
--normalize和--scale选项,用于纹理数据归一化和缩放 - 支持对非原始输入图像进行尺寸调整
- 新增了
-
ktx encode增强:现在支持将KTX2文件编码为ASTC格式。
库函数更新
libktx库新增了几个重要函数:
-
ktxTexture2_DecodeAstc:将ASTC格式纹理解码为非压缩格式。 -
ktxLoadOpenGL:允许应用程序显式加载库使用的GL函数指针,特别适用于某些平台(如Fedora)上OpenGL函数查询受限的情况。 -
多个写入和销毁函数(如
ktxTexture2_Write*和ktxTexture[12]_Destroy)现在成为公共API的一部分。
绑定改进
JavaScript绑定重写
JavaScript绑定几乎完全重写,现在支持libktx的读写功能:
-
工厂函数名称从
LIBKTX改为createKtxModule(旧名称仍作为别名保留)。 -
移除了类名中的
ktx前缀,使API更加简洁。 -
枚举器和常量命名与libktx保持一致,便于记忆和使用。
-
新增了完整的测试套件,同时也作为使用示例。
Java绑定重大改进
Java绑定经过大规模重构,主要改进包括:
-
新增了
deflateZstd、deflateZLIB和createFromMemory等方法。 -
修复了
KtxBasisParams#setInputSwizzle函数导致的数据损坏问题。 -
提高了常量命名和处理的统一性。
-
改进了错误处理机制,增加了JavaDocs文档。
-
暴露了超级压缩函数和
ktxTexture_GLUpload功能。
性能与兼容性
-
ASTC编码器更新至5.2.0版本,提供更好的压缩效率和性能。
-
新增了对SSIM和PSNR比较的支持,可用于ASTC编码质量评估。
-
改进了对EXR 2.0输入文件的支持。
已知问题与注意事项
-
不同平台(x86_64和arm64)使用GCC编译的zlib压缩文件可能不完全相同。
-
WebGL开发者需要注意纹理尺寸限制,可能需要预先调整输入图像尺寸。
-
Basis Universal编码结果在不同平台上会有轻微差异(非确定性)。
-
UASTC RDO结果在多次运行中会有变化,除非禁用多线程。
-
Vulkan和GL加载器暂不支持深度/模板纹理。
总结
KTX-Software 4.4.0版本是一个重要的里程碑更新,不仅提升了规范兼容性,还增加了多个实用工具和功能。特别是JavaScript和Java绑定的改进,使得这些平台的开发者能够更便捷地使用KTX格式的强大功能。对于图形开发者而言,这个版本提供了更完善的纹理处理工具链,从创建、编码、压缩到比较的完整工作流程支持。虽然存在一些平台相关的已知问题,但整体而言,4.4.0版本为开发者提供了更强大、更稳定的纹理处理解决方案。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00