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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08