2026年7月，AMD在I3D国际研讨会上正式公开发布了一项名为PEPS（位置编码投影采样）的前沿技术。其核心在于重新设计位置编码的组织与应用方式，在不影响图像质量的前提下，将神经纹理压缩模型的参数规模有效压缩了25%。该技术由Guillaume Perez等三位研究人员共同完成相关论文。

神经纹理压缩的本质是构建一个隐式神经表示模型，使其学会从空间坐标映射到对应信号值——简单来说，就是让模型记住“该位置应呈现的形态”。PEPS在这一框架下给出了一个巧妙的新解法：将传统由正弦和余弦函数构成的每个位置编码投影，视为李萨如曲线上的特定点，随后对这些点进行编码器采样或网格化采样，从而大幅提升隐式表征的信息承载能力。换言之，在相同参数数量下，可以表达更丰富的信息内容。

该技术已在图像重建、纹理压缩及符号距离函数建模三类典型任务中得到验证。实际硬件测试环节采用RX 9070 XT显卡平台，结果如下：生成一张1024×1024分辨率、三通道纹理时，基准BI-grid方案耗时4.32毫秒，而Grid-PEPS方案升至5.47毫秒；经过进一步优化后的Grid-PinkPEPS版本，则将耗时控制在4.86毫秒。性能略有下降并不意外——新增的采样操作带来了额外的计算负载与内存访问开销，这属于合理权衡。

在符号距离函数领域，PEPS同样表现出良好的适应性。以Pitted Stonefish模型为例，Grid-PEPS仅需原方法八分之一的编码器参数量，即可实现相近的交并比指标。这意味着在精度不牺牲的前提下，存储开销可以显著降低。

这一进展为缓解3D渲染过程中日益凸显的显存压力，开辟了一条新的技术路径。目前，行业内尚未有任何游戏产品完整集成神经纹理压缩技术，公开可用的相关工具也极为有限。尽管已有厂商推出演示级方案，但AMD尚未为这项技术正式命名。随着显存容量瓶颈持续加剧，这类压缩方法何时能真正落地，依然值得持续关注。