최근 신경 텍스처 압축 (Neural Texture Compression)에 관한 연구들은, 물리 기반 셰이딩 (Physically Based Shading) 모델의 입력값을 재현하기 위해 셰이딩 과정 중 실시간으로 디코딩될 수 있는 작은 재질별 텍스처 표현 (잠재 텍스처 (Latent Textures)와 작은 다층 퍼셉트론 (Multi-Layer Perceptron, MLP) 디코더로 구성됨)을 학습하는 것이 가능하다는 것을 보여주었습니다. 하지만 기존 방법들은 주어진 MLP 및 잠재 설정에 대해 재질별로 경사 하강법 (Gradient-descent) 최적화를 수행해야 합니다. 본 연구에서는 잠재 특징 (Latent Features)과 MLP의 가중치 (Weights) 및 편향 (Biases)을 모두 출력하는 단일 하이퍼네트워크 (Hypernetwork)를 학습시킵니다. 솔루션 공간 (Solution Space)은 고차원이지만, 이 접근 방식은 현재의 기준이 되는 신경 텍스처 압축기들과 대등한 품질의 결과를 생성합니다. 나아가 우리는 이 접근 방식을 확장하여 여러 개의 디코더를 동시에 추론하거나, 초해상도 (Super-resolution)를 학습하는 디코더를 생성할 수도 있습니다.