Bidirectional Texture Function Compression Based on Multi-Level Vector Quantization - Supplemental Material

0334120 - ÚTIA 2010 CZ eng V - Research Report
Havran, V. - Filip, Jiří - Myszkowski, K.
Bidirectional Texture Function Compression Based on Multi-Level Vector Quantization - Supplemental Material.
[Komprese dvousměrných texturních dat založaná na víceůrovňové vektorové kvantizaci - doplňkový materiál.]
Praha: ÚTIA AV ČR, v.v.i, 2009. 58 s. Research Report, 2265.
R&D Projects: GA MŠMT 1M0572; GA ČR GA102/08/0593
Institutional research plan: CEZ:AV0Z10750506
Keywords : texture * compression * BTF * vector quantization
Subject RIV: IN - Informatics, Computer Science
http://library.utia.cas.cz/separaty/2009/RO/filip-bidirectional texture function compression based on multi-level vector quantization - supplemental material.pdf

The Bidirectional Texture Function (BTF) is becoming widely used for accurate representation of real-world material appearance. In this paper a novel BTF compression model is proposed. The model resamples input BTF data into a parametrization, allowing decomposition of individual view and illumination dependent texels into a set of multidimensional conditional probability density functions. These functions are compressed in turn using a novel multi-level vector quantization algorithm. The result of this algorithm is a set of index and scale code-books for individual dimensions. BTF reconstruction from the model is then based on fast chained indexing into the nested stored code-books. In the proposed model, luminance and chromaticity are treated separately to achieve further compression. The proposed model achieves low distortion and compression ratios 1:233-1:2040, depending on BTF sample variability.

Dvousměrná texturní funkce (BTF) se používá pro přesné zachycení vzhledu materálů. Tento text shrnuje výsledky nově navržené metody komprese BTF dat. Metoda je založená na nové reprezentaci dat pro jednotlivé pixely v závislosti na úhlech pohledu a osvětlení tvořící fukce pravděpodobnostních hustot. Tyto funkce jsou komprimovány pomocí navrženého víceúrovňového algoritmu založeného na vektorové kvantizaci. Výsledkem je skupina kódových knih obsahujících indexační a škálovací hodnoty. Rekonstrukce dat je pak dosažena pomocí vnořené indexace v těchto knihách. Luminanční a barevná složka jsou zpracovány odděleně a to umožňuje dosáhnout nízké rekonstrukční chyby a zároveň vysoké komprese 1:233-1:2040 v závislosti na složitosti komprimovaného vzorku. Navržená metoda je porovnána ze současnými metodami, jak numericky tak prostřednictvím psychovisuálního experimentu. Metoda byla rovněž implementována na grafické kartě a umožňuje vzorkování texturních dat podle důležitosti.
Permanent Link: http://hdl.handle.net/11104/0178939