在 GTC 2026 技術會議上，NVIDIA 再次展示其 Neural Texture Compression（NTC）神經網路貼圖壓縮技術，主打以機器學習方式壓縮材質貼圖，在降低顯示記憶體占用的同時維持甚至提升畫質。
NTC 的核心概念，是不再直接儲存完整貼圖資料，而是將紋理轉換為較小的潛在特徵（latent features）。這些資料在遊戲執行時，透過 GPU 上的小型神經網路即時重建為實際畫面。與生成式 AI 不同，NTC 屬於確定性（deterministic）重建，每次輸出結果一致。
整體系統分為兩個部分：一是高度壓縮的貼圖表示形式，每個 texel 儲存的是材質特徵而非最終顏色；二是負責還原畫面的神經網路。為了確保細節不流失，系統會對 UV 座標進行位置編碼（positional encoding），補強高頻資訊，讓紋理邊緣與重複圖樣仍能保持清晰。
在訓練流程上，NTC 採用標準神經網路優化方式，透過不斷比對重建結果與原始貼圖之間的差異，逐步調整模型與資料表示，最終達到接近原始品質的還原效果。
相較傳統貼圖壓縮格式（如 BCN），NTC 有幾個明顯優勢：
在示範場景中，NTC 將貼圖 VRAM 使用量從約 6.5GB 壓縮至 970MB，降幅達 85%。除了節省記憶體外，也可在相同 VRAM 預算下提升貼圖品質，避免傳統壓縮常見的畫面破綻。
值得一提的是，該技術並非僅限於 NVIDIA 平台，理論上也可支援其他硬體架構。市場甚至傳出，Sony 未來可能在次世代主機中導入類似技術，以降低遊戲容量需求並控制硬體成本。
目前 NTC 已透過 SDK 形式釋出（測試版），但尚未有實際遊戲導入。後續是否能被開發者廣泛採用，將是這項技術能否落地的關鍵。
來源
NTC 的核心概念，是不再直接儲存完整貼圖資料，而是將紋理轉換為較小的潛在特徵（latent features）。這些資料在遊戲執行時，透過 GPU 上的小型神經網路即時重建為實際畫面。與生成式 AI 不同，NTC 屬於確定性（deterministic）重建，每次輸出結果一致。
整體系統分為兩個部分：一是高度壓縮的貼圖表示形式，每個 texel 儲存的是材質特徵而非最終顏色；二是負責還原畫面的神經網路。為了確保細節不流失，系統會對 UV 座標進行位置編碼（positional encoding），補強高頻資訊，讓紋理邊緣與重複圖樣仍能保持清晰。
在訓練流程上，NTC 採用標準神經網路優化方式，透過不斷比對重建結果與原始貼圖之間的差異，逐步調整模型與資料表示，最終達到接近原始品質的還原效果。
相較傳統貼圖壓縮格式（如 BCN），NTC 有幾個明顯優勢：
- 更高壓縮比：同樣 VRAM 可容納更多貼圖資料
- 多通道支援：法線、粗糙度、AO 等多種材質資訊可同時壓縮處理
- 減少儲存與下載負擔：安裝容量與更新檔體積同步降低
在示範場景中，NTC 將貼圖 VRAM 使用量從約 6.5GB 壓縮至 970MB，降幅達 85%。除了節省記憶體外，也可在相同 VRAM 預算下提升貼圖品質，避免傳統壓縮常見的畫面破綻。
值得一提的是，該技術並非僅限於 NVIDIA 平台，理論上也可支援其他硬體架構。市場甚至傳出，Sony 未來可能在次世代主機中導入類似技術，以降低遊戲容量需求並控制硬體成本。
目前 NTC 已透過 SDK 形式釋出（測試版），但尚未有實際遊戲導入。後續是否能被開發者廣泛採用，將是這項技術能否落地的關鍵。
來源