Teknoscope olarak yakından takip ettiğimiz NVIDIA, bir kez daha teknoloji dünyasını şaşırtmayı başardı. GTC 2026'da düzenlenen ve "Yapay Sinir Ağı ile Görüntü Oluşturmaya Giriş" başlıklı bir oturumda, firmanın üzerinde çalıştığı Yapay Sinir Ağı Dokusal Sıkıştırma (Neural Texture Compression - NTC) tekniği tanıtıldı.
Aslında NTC, yaklaşık üç yıl önce ilk kez karşımıza çıkmıştı ve 2026'nın başlarından itibaren bir SDK aracılığıyla geliştiricilerin erişimine sunulmuştu. Ancak bugüne kadar bu teknolojiyi kullanan bir oyun geliştiricisiyle karşılaşmadık. Belki de bu nedenle NVIDIA, bu etkileyici tekniğin potansiyel faydalarını bir kez daha detaylandırma gereği duydu.
NVIDIA'dan Kıdemli Geliştirici İlişkileri Mühendisi Alexey Bekin, Yapay Sinir Ağı Dokusal Sıkıştırma'yı, dokuları daha verimli depolamak için kullanılan bir makine öğrenimi yaklaşımı olarak tanımlıyor. NTC, her bir pikseli (texel) doğrudan saklamak yerine, görsel bilginin özünü yakalayan kompakt, öğrenilmiş gizli özelliklere (latent features) sıkıştırıyor. Çalışma zamanında, GPU üzerinde çalışan küçük bir yapay sinir ağı, bu özelliklerden pikselleri yeniden oluşturuyor. Yani devasa dokuları bellekten yüklemek yerine, ihtiyaç duyulduğunda bu gizli özellikler sayesinde hesaplanıyorlar. En kritik nokta ise, NTC'nin üretken (generative) değil, deterministik (kesin sonuçlu) olması. Bu da her seferinde aynı dokunun yeniden oluşturulduğu anlamına geliyor.
Sistem iki ana bileşenden oluşuyor. Gizli doku (latent texture), orijinal varlığın dramatik ölçüde daha küçük bir temsili olarak karşımıza çıkıyor. Burada her piksel, nihai rengi değil, materyal özelliklerini tanımlayan bir özellik vektörü depoluyor. Detayların kaybolmaması için, çözücüye (decoder) ulaşmadan önce UV koordinatlarına konumsal kodlama (positional encoding) uygulanıyor. Bu sayede yüksek frekanslı uzamsal bilgiler sisteme enjekte ediliyor ve ağın keskin detayları ve tekrarlayan desenleri doğru bir şekilde yeniden oluşturmasına yardımcı oluyor. Sıkıştırılmış bir temsil içinde kaybolabilecek bu tür detaylar, bu yöntemle korunmuş oluyor.
Eğitim süreci, standart bir sinirsel optimizasyon döngüsü şeklinde işliyor: Ağ, konumsal olarak kodlanmış UV koordinatları ve bir gizli kodu alıyor, bir yeniden oluşturma işlemi gerçekleştiriyor, orijinal doku ile karşılaştırılıyor, bir kayıp (loss) hesaplanıyor ve ağın ağırlıkları ile gizli kod, çıktı orijinal materyale doğru bir şekilde benzeşene kadar iteratif olarak güncelleniyor.
NVIDIA'nın Yapay Sinir Ağı Dokusal Sıkıştırması, yaygın olarak kullanılan BCN gibi geleneksel formatlara kıyasla üç önemli yapısal avantaj sunuyor:
- Daha Yüksek Sıkıştırma Oranları: Aynı video belleği miktarına çok daha fazla dokusal veri sığıyor.
- Yüksek Kanal Desteği: Birçok malzemeyi tek bir sette barındıran karmaşık varlıklar (normal, pürüzlülük, albedo, AO vb.), verilerin bölünmesi veya basitleştirilmesi gerekmeden temiz bir şekilde sıkıştırılıyor.
- Pratik Depolama ve Bant Genişliği Tasarrufu: Daha küçük disk ayak izi, daha küçük oyun kurulumları, daha küçük güncellemeler ve daha hızlı indirmeler anlamına geliyor.
Bekin, Tuscan Villa demo sahnesinde NTC'nin, standart BCN ile sıkıştırılmış dokuların kullandığı 6.5 GB VRAM'e kıyasla %85'lik bir VRAM kullanımında azalma sağlayarak yalnızca 970 MB VRAM ile aynı işi başardığını gösterdi. Bu, özellikle VRAM'e yoğun yük bindiren oyun sahneleri için büyük bir kolaylık sağlayacak. Bununla birlikte Yapay Sinir Ağı Dokusal Sıkıştırma, aynı VRAM bütçesiyle doku kalitesini artırmak için de kullanılabiliyor. Bu sayede BCN'nin neden olduğu tipik sıkıştırma artefaktlarından kaçınılmış oluyor.
Her ne kadar NTC NVIDIA tarafından geliştirilmiş olsa da, AMD ve Intel donanımlarını da destekliyor. Bu durum, ilerleyen dönemlerde yeni nesil konsollarda da yer bulabileceğine işaret ediyor. Örneğin, önemli sızıntı kaynaklarından birine göre, Sony'nin PlayStation 6'da 1 TB SSD maliyetini düşük tutmak ve oyun kurulum boyutlarını azaltmak için bu teknolojiyi kullanabileceği konuşuluyor.
Şu anda beta aşamasında olan NTC SDK'sına ilgili platformlardan erişim sağlanabiliyor.
