Når i amerikanske militanter i billederne fra satellitten, øgede de specielle agenter antallet af bilen til den fuldt læste tilstand, vi lo. Chefen står over computeren, gør det til at skalere, og derefter "forbedre" et billede. I en sådan grad vises disse oplysninger på skærmen, som faktisk ikke kan være indeholdt i billedet. For folk, der er mere eller mindre demonteret i fotograferingsbehandling, syntes det fantastisk. Ja, og i dag er det i princippet forblevet fantastisk. Men! NVIDIA DLSS teknologi gør denne fantastik lidt tættere på virkeligheden.
Når NVIDIA præsenterede en ny generation af videokort på mikroarchitekturturing, var hovedfokuset for spillere fokuseret på Ray Trace: RTX-videokortene i 2000-serien blev den første til at understøtte denne teknologi på hardwareniveauet på grund af RT kernen.
Men også i "Thüringami" var der også Tensorkerner. De, der bruger resultaterne af dybundervisning af det neurale netværk, forbedrede udjævningen, øget ydeevnen og opløsningen af det billede, der er oprettet af spillet. Teknologi modtog et DLSS-navn - Deep Lyning Super Prøve.
Faktisk er det en af de avancerede typer af udjævningsteknologi i spil. Computer spillere er bekendt med dem på mystisk TAA, FXAA, MSAA, 8X, 4X osv. I indstillingerne af billedet i spillet. Gennem disse mystiske forkortelser ligger forskellige variationer af udglatningsbilleder. Den består af pixels, alle linjer i rammen består af disse pixels, men ved hjælp af kvadrater til at tegne en diagonal linje er ikke let, det vil blive vist med tyve. Og når sådanne linjer og damer på grænserne af polygonerne på skærmen meget, begynder billedet at være rige i øjnene.
Alle de forskellige udjævningsteknologier er involveret i at fjerne disse damer for at måle deres evner og kraft på en brugerdefineret computer. De ændrer farven på pixels på grænserne og gør overgange mere glat. Forskellige måder på forskellige måder, der lægger jern og demonstrerer et lidt anderledes slutt resultat helt op til billedskulpturen. Men vi har ikke en historie om al denne mangfoldighed, hvor du nemt kan blive slået ned, men om en nybegynder, der besluttede at vende spillet fra benene på hovedet: for at give et klart billede og aflæs jern.
Magi i action.
Den første iteration af DLSS-teknologien var tvetydig og stort set begrænset. Hun krævede træning kunstig intelligens under hvert nyt spil, støtte fra udviklere ved regelmæssig efterbehandling og frigivelse af specielle drivere til videokortet med udgivelsen af spillet. For eksempel i 2019-årets spilkontrol hævede den oprindelige teknologi rammenændringsfrekvensen op til 70%. I de fleste scener var billedkvaliteten fremragende, men flytende faciliteter bragte mange problemer. De originale DLSS'er var for eksempel ikke let at klare turbinebladene, som spinder i et af scenerne i spillet. Der var også problemer med grænserne for små detaljer i rammen.
I foråret 2020 udgav NVIDIA versionen af DLSS 2.0, og kontrollen viste igen for at demonstrere deres fremskridt. Der var det allerede med knivene, alt var i orden, og små genstande blev mere klare, grænserne blev skarpere og trukket og øget den overordnede ydeevne af spillet.
Den kunstige intelligensmodel blev omarbejdet, som blev dobbelt så hurtig som den oprindelige version. Den bruger Tensorskerner mere effektivt, eliminerer grænsen på antallet af understøttede videokort, kvalitet og tilladelser.
Den oprindelige teknologi antog uddannelsen af et neuralt netværk under hvert nyt spil. DLSS 2.0 er blevet mere alsidig, det er blevet lettere at implementere i spil.
Hvordan virker dette magiske? NVIDIA har en særlig ramme, som lærer dybt neuralt netværk. Træning er, at de neurale netværk giver titusindvis af referencebilleder i høj opløsning. Virkelig høj - 16k. Disse billeder er oprettet af en kraftig supercomputer under offline-gengivelse af en lavfrekvent ramme af rammer. Takket være denne spredning er neuralleret efterfølgende baseret på kildebilledet i lav kvalitet, der er i stand til at oprette en ramme i høj opløsning allerede på en brugerenhed. I dette er det afhængig af den viden, der er opnået under træning.
Når selve neurale netværk selv skaber rammer fra prøver med lav opløsning, sammenlignes de med standarderne i 16k-opløsning, og om alle forskelle og skændinger rapporteres tilbage det neurale netværk. Med hver cyklus er afstemningen indstillet og forbedrer resultaterne. Finalen i form af chauffører kommer til brugerdefinerede videokort, og magi begynder at forekomme i spil.
For korrekt drift af DLSSS 2,0 neurale netværk har det brug for input. Deres gaming motor giver. Den første del af dataene er et billede i lav opløsning uden udjævning. Andet - vektorer af bevægelse for disse billeder. Vektorer er information om, hvilke retning objekter på denne ramme bevæger sig i denne ramme. I det væsentlige er dette sådan et kort over bevægelser af pixels ved ramme.
Neuraleta skaber en ramme i høj opløsning, og at kende vektorerne af dens ændring øges på denne baggrund tilladelsen af den næste ramme. Bogstaveligt talt bestemmer Pixelly, hvordan man øger opløsningen i den næste ramme.
Prepans for implementering
I tilfælde af den første iteration måtte DLSS-spiludviklere arbejde i tæt samarbejde med NVIDIA for at tilføje støtte til deres spil. Udladningsmotoren krævede mange billeder fra spillet. Den anden version af DLSS er blevet mere tilgængelig, det studerer på fælles billeder, hun behøver ikke indledende data fra et bestemt spil.
Takket være dette er listen over understøttede spil udvidet til tre dusin, mens de oprindelige DLS'er havde mindre end ti.
I begyndelsen af dette år har NVIDIA udgivet et plugin til at implementere DLSS'erne til spillet på Unreal Marketplace - en betalt og gratis kørsel for spiludviklere på den uvirkelige motormotor. Men mange udviklere har ikke travlt med dets tilføjelse til deres spil. Dette skyldes stort set udbredelsen af 4K-skærme i spillere. Stadig ser de mest imponerende DLSS 2.0 i 4K-opløsning. Der kan teknologien give dig mulighed for at opnå en betydelig produktivitetsvækst, tillader RTX-videokortene i 2000th-serien og det oprindelige niveau for at vise en stabil og afspilningsramme i forhold til ernæringsmæssig opløsning i 4K.
Men faktum er, at de fleste Geimers stadig spiller i løsning af 1080 pixels - der er mere end 67% af sådanne brugere i damp. Den anden beslutning er en bærbar computer: 1366 × 768 pixels - 8% af brugere. På tredjepladsen med en lille passage, brugerdefinerede skærme med en opløsning på 2560 × 1440 pixels. 4K skærme forbliver stadig mange entusiaster: lidt mere end 2% af dampbrugere.
Konkurrent fra AMD.
DLSS - NVIDIA-proprietær teknologi. Det fungerer kun på videokortene i RTX-serien, som har Tensorkerner. De er beregnet relateret til kunstige intelligensalgoritmer. NVIDIA HOINT RIVAL - AMD arbejder på hans alternativ til DLSS, som hedder FIDELFFX Super Resolution. Men hidtil er der næsten ingen specifikke oplysninger om denne udvikling.
Det er kun kendt, at den "røde" vil have en vigtig fordel. Amd lovede at gøre teknologien til åben og tværs platform. Det betyder, at teknologien kan komme til den nye generations konsol, som bruger RDNA 2 grafisk arkitektur fra AMD.
For nylig arrangerede AMD en præsentation af det nye Radeon RX 6700 XT-videokort. Mange håbede, at under denne begivenhed ville blive fortalt om FIDELYFX Super Resolution. I sidevæggene forklarede præsentationerne, at AMD ikke har travlt med udgivelsen af teknologi til et topkort, og i stedet vil det være i enhver følelse af tværs af platform.
AMD-teknologi skal ligner DLSS. Og fordi den potentielle tilstedeværelse af neurale netværk udjævning på konsoller PS5 og Xbox-serien er af stor interesse, så langt fra alle spil kan de vise 60 billeder pr. Sekund i 4K-opløsning.
Men alle disse argumenter forbliver kun spekulation. Måske vil AMD i slutningen af dette år stadig fortælle mere om dets udvikling. I mellemtiden fortsæt med at sikre, at spillet vil kunne implementere DLSS i deres produkter.
Vores kanal i telegram. Deltag nu!
Er der noget at fortælle? Skriv til vores telegram-bot. Det er anonymt og hurtigt
Reprinting tekst og fotos onliner uden at løse redaktørerne er forbudt. [email protected].