DLSS, kependekan dari Deep Learning Super Sampling adalah alat Nvidia yang memerlukan kartu grafis seri Nvidia 20 – atau yang lebih baru – yang memiliki inti tensor. DLSS dirancang untuk meningkatkan kinerja dengan menjalankan game pada resolusi yang lebih rendah dari biasanya, kemudian menggunakan a jaringan saraf untuk meningkatkan resolusi lagi menggunakan inti tensor yang tidak digunakan dalam rendering proses.
arsitektur GPU
Terutama dirancang untuk membuat grafik untuk tujuan seperti video game, namun, ada fitur tambahan di prosesor GPU untuk 20 kartu grafis seri. Dua fitur tambahan utama adalah inti RT, yang digunakan untuk penelusuran sinar, dan inti tensor, yang dirancang untuk melakukan tugas pembelajaran mesin.
DLSS
Dengan implementasi asli DLSS, pengembang harus secara eksplisit mengaktifkan dukungan untuk DLSS dalam game mereka. Selain itu, Nvidia perlu melatih jaringan sarafnya untuk setiap game menggunakan superkomputer. Proses ini mengambil sejumlah gambar beresolusi lebih rendah, lalu membandingkannya dengan satu "bingkai sempurna" yang dihasilkan melalui metode supersampling tradisional. Superkomputer kemudian melatih jaringan saraf untuk mengubah gambar beresolusi lebih rendah agar sesuai dengan bingkai sempurna yang lebih besar. Setelah pemrosesan selesai, pemrograman jaringan saraf dimasukkan ke dalam driver grafis berikutnya. Proses pelatihan ini perlu dijalankan untuk setiap game baru, sebuah desain yang hanya berkelanjutan karena sedikitnya jumlah game yang menerapkan DLSS.
DLSS 2.0
DLSS 2.0 meningkatkan proses dengan menghapus persyaratan untuk jaringan saraf yang perlu dilatih untuk setiap game. Itu juga menambahkan tiga tingkat DLSS, kinerja, seimbang, dan kualitas. Ketiga mode ini dirancang untuk memungkinkan pengguna memilih berapa banyak peningkatan kinerja yang mereka inginkan dan berapa banyak hit grafis yang bersedia mereka ambil untuk itu. Desain ini memberi pengguna lebih banyak pilihan jika dibandingkan dengan satu tingkat implementasi DLSS asli yang sering dilaporkan pengguna sebagai mengorbankan terlalu banyak kualitas.