DLSS, forkortelse for Deep Learning Super Sampling er et Nvidia-værktøj, der kræver et Nvidia 20-serie – eller nyere – grafikkort, der har tensorkerner. DLSS er designet til at øge ydeevnen ved at køre spillet med en lavere opløsning end normalt og derefter bruge en neurale netværk for at øge opløsningen igen ved hjælp af tensorkerner, der ellers er ubrugte i gengivelsen behandle.
GPU arkitektur
Er primært designet til at gengive grafik til formål som videospil, dog er der ekstra funktioner i GPU-processoren til 20-seriens grafikkort. De to vigtigste ekstra funktioner er RT-kernerne, som bruges til strålesporing, og tensorkernerne, som er designet til at udføre maskinlæringsopgaver.
DLSS
Med den oprindelige implementering af DLSS skulle udviklere eksplicit aktivere understøttelse af DLSS i deres spil. Derudover skulle Nvidia træne sit neurale netværk for hvert spil ved hjælp af en supercomputer. Denne proces tog et antal billeder med lavere opløsning, og sammenlignede dem derefter med en enkelt "perfekt ramme" genereret gennem traditionelle supersamplingmetoder. Supercomputeren trænede derefter det neurale netværk til at transformere billederne med lavere opløsning, så de matcher den større perfekte ramme. Når behandlingen var færdig, blev den neurale netværksprogrammering inkluderet i den næste grafikdriver. Denne træningsproces skulle køres for hvert nyt spil, et design, der kun var bæredygtigt på grund af det lave antal spil, der implementerede DLSS.
DLSS 2.0
DLSS 2.0 forbedrede processen ved at fjerne kravet om, at det neurale netværk skal trænes for hvert spil. Det tilføjede også tre niveauer af DLSS, ydeevne, balanceret og kvalitet. Disse tre tilstande blev designet til at give brugeren mulighed for at vælge, hvor meget ydelsesboost de ønskede, og hvor meget af et grafisk hit de var villige til at tage for det. Dette design gav brugeren meget flere valgmuligheder sammenlignet med det enkelte niveau af den originale DLSS-implementering, som brugere ofte rapporterede som ofre for meget kvalitet.