Un repositorio de código abierto, lanzado el 4 de septiembre de 2026, presenta un método para optimizar texturas neuronales y mapas de materiales PBR utilizando estrategias de evolución (ES) sin retropropagación. Esta herramienta, escrita en C++, permite codificar imágenes RGB como texturas latentes de baja resolución junto con decodificadores MLP, eliminando la necesidad de frameworks de entrenamiento tradicionales o autodiferenciación.
El sistema funciona mediante un modelo de red neuronal de pequeña escala que toma muestras bilineales de una textura latente y un codificador de posición para generar píxeles de alta resolución. El entrenamiento se realiza mediante estrategias de evolución antitética, donde las perturbaciones se evalúan en lotes aleatorios de 4096 píxeles. Una característica clave es la asignación de crédito: al medir el cambio de pérdida solo sobre los 4 píxeles que un texel específico lee mediante muestreo bilineal, se reduce el ruido derivado de los otros ~16.000 texels, haciendo viable el entrenamiento de latentes de hasta 131.000 valores con solo 4 pares de perturbación por paso.
Los resultados muestran una compresión eficiente. Por ejemplo, una textura de 128×128 con 8 canales logra un PSNR de 32.2 dB con un bitrate de 4.07 bpp en crudo y 3.27 bpp codificado por entropía, entrenándose en aproximadamente 150 segundos en un CPU de 32 hilos. El repositorio incluye dependencias como stb_image, stb_image_write y OpenMP, y ofrece opciones avanzadas como cuantización consciente de la entropía y decodificación con diferencias finitas numéricas para refinar el decodificador en fases finales.