GCL学术成果：CVPR 2026-当动态全局光照不再受限于存储：NDGI 让实时渲染告别“显存爆炸”

近日，CVPR 2026接收结果公布，中国科学技术大学与浙江大学研究团队提出了一种面向动态光照环境的全新神经压缩框架——Neural Dynamic GI（NDGI）。该方法将神经表示、块压缩兼容设计与虚拟纹理机制相结合，实现了对时序 lightmap 的高质量、可随机访问压缩与实时重建。在显著降低存储与内存开销的同时，NDGI能够较好保留复杂光照变化下的全局光照细节，为游戏、虚拟现实等实时渲染场景中的动态光照应用提供了新的高效解决方案。

图1：NDGI渲染效果

一、 高质量动态光照的背后，是显存与性能的双重挤压

在实时渲染领域，高质量的全局光照（Global Illumination, GI）是塑造画面真实感的基石。为了在毫秒级时间内还原光线弹跳带来的细腻阴影，预计算光照贴图（Lightmap）凭借其高空间保真度，至今仍是 AAA 级游戏和虚拟现实应用中的标准方案。

然而，随着玩家对动态环境（如昼夜交替、动态光源）的要求日益提升，传统技术陷入了“显存膨胀”与“性能预算”的激烈冲突：

● 存储鸿沟： 实现逼真的动态光照需要针对不同时刻预计算海量贴图，其存储开销在大规模场景中几乎不可承受。

● 压缩瓶颈： 传统硬件压缩（BC/ASTC）在高压缩比下易产生块状伪影，且无法利用多套贴图间的时序冗余。

● 部署难题： 现有的神经纹理压缩（NTC）解码网络过重，难以挤进游戏引擎极其严苛的运行时每帧预算。

这种“以空间换时间”的传统逻辑，在动态环境面前正显得日益笨重。

这种需求的转变将核心难题推向了前台：如何在保持神经表示高压缩比的同时，彻底消除其与实时渲染管线之间长久存在的“解码高延迟”沟壑？

为此，研究团队提出了 NDGI (Neural Dynamic GI) —— 一套将紧凑神经表示与现代渲染管线深度耦合的压缩方案。它跳出了离散存储的范式，尝试将动态 GI 从沉重的数据负担转变为轻量级的实时推理流。

二、混合特征表示：捕捉时空的连续性

NDGI模型将时序光照信息编码进一组紧凑的混合特征图（Hybrid Feature Maps）中。

在该结构下，NDGI 采用了“双路并行”的思路：

● 2D 三平面特征图： 负责锁定空间域的高频细节，确保几何边缘与阴影的锐利。

● 低分辨率 3D 特征图： 负责捕捉光照随时间变化的低频趋势。

通过这种时空解耦的表示，NDGI 仅需一个极轻量级的 MLP 解码器，即可根据任意时空坐标（x, y, t）按需重建光照值。这种连续表征能力使 NDGI 在实现极致压缩的同时，依然能完美还原光照的平滑过渡。

图2：方法总体流程

三、 BC-Simulation：打通神经表征与底层硬件

NDGI 引入了块压缩模拟训练策略：在神经网络的训练阶段，主动模拟 GPU 硬件原生支持的 BC7 编码行为。这意味着模型在学习阶段就已经感知并补偿了硬件压缩带来的损失。

这种“训练即压缩”的思路，本质上是将神经表示的优化目标与底层硬件的存储约束进行了深度对齐。它不仅大幅压低了显存占用，更让 NDGI 能够无缝兼容现有的 GPU 纹理采样单元，使得特征图产出后可直接进行标准 BC7 压缩。这种方法彻底解决了神经表征数据量巨大且与主流渲染管线“水土不服”的痛点。

图3：展示了贴图压缩的结果

四、 VT 深度集成：毫秒级的按需解码复用

对于实时渲染，解码速度就是生命线。NDGI 并没有采用全量解码的昂贵路径，而是将其与现代引擎的虚拟纹理（Virtual Texturing, VT）系统深度集成：

1. 瓦片化按需推理： 贴图被划分为固定大小的 Tile，VT 系统仅对当前视角可见的部分进行按需加载与解码。

2. 一次推理，多帧复用： 利用光照在时间轴上的相关性，解码后的数据被写入物理缓存并长效复用。

这种“按需解码+时空流转”的集成策略，实质上在神经表示与实时渲染之间构建了一层高效的调度缓冲。它不仅规避了每一帧、全像素进行神经推理的巨大开销，更利用 GPU 的异步并行能力，将动态 GI 的维护成本平抑到了毫秒级别。这使得开发者在面对超大规模动态场景时，能够以极低的性能代价，换取以往只有静态场景才能拥有的高品质光影体验。

五、 实验结果与研究启示

研究团队在室内、室外等多个真实游戏场景下进行了严苛评估。NDGI 在压缩质量、存储效率与运行性能三个维度上均实现了跨越：

● 极致压缩与高保真： 在极低码率（<1.0 BPP）下，NDGI 以 0.68 BPP 实现了 46.69 dB 的重建质量，远超同档位 NTC（43.61 dB）及传统 ASTC（32.50 dB），相比原始数据压缩比达 99% 以上。

● 毫秒级极速解码： 在 RTX 4060 上，NDGI 解码一张 1024×1024 贴图仅需 0.2ms，仅为现有神经压缩方法的 1/4，完全满足实时渲染的严苛预算。

● 无瑕疵的视觉表现： 消除了传统压缩产生的块状伪影和 NTC 的噪声问题，提供了更强的时序一致性。

图4：方法在真实游戏场景下的渲染效果

六、总结与展望

NDGI 的核心价值在于探索了神经表示与传统渲染硬件协同的新路径。它证明了神经网络可以不仅作为一种高压缩比的存储手段，更能在严苛的实时管线中平衡画质与性能。这种方案为大规模场景下的动态全局光照提供了一个务实且高效的工程化思路。

论文发表

该工作已被计算机视觉顶级会议CVPR 2026录用。CVPR是计算机视觉与模式识别领域的顶级国际会议（CCF-A类），2026年录用率约为25.42%。

论文原文

论文标题：Neural Dynamic GI: Random-Access Neural Compression for Temporal Lightmaps in Dynamic Lighting Environments

作者：吴建辉1，周健1，周轾1，黄章进1，李超2

单位：1中国科学技术大学，2浙江大学