DLSS, förkortning för Deep Learning Super Sampling är ett Nvidia-verktyg som kräver ett Nvidia 20-serie – eller nyare – grafikkort som har tensorkärnor. DLSS är utformad för att öka prestandan genom att köra spelet med en lägre upplösning än normalt och sedan använda en neuralt nätverk för att öka upplösningen igen med hjälp av tensorkärnor som annars inte används i renderingen bearbeta.
GPU-arkitektur
Är i första hand utformad för att rendera grafik för ändamål som videospel, men det finns extra funktioner i GPU-processorn för 20-seriens grafikkort. De två huvudsakliga extrafunktionerna är RT-kärnorna, som används för strålspårning, och tensorkärnorna, som är designade för att utföra maskininlärningsuppgifter.
DLSS
Med den ursprungliga implementeringen av DLSS var utvecklare tvungna att uttryckligen aktivera stöd för DLSS i deras spel. Dessutom behövde Nvidia träna sitt neurala nätverk för varje spel med hjälp av en superdator. Denna process tog ett antal bilder med lägre upplösning och jämförde dem sedan med en enda "perfekt bildruta" som genererades med traditionella supersamplingsmetoder. Superdatorn tränade sedan det neurala nätverket att omvandla bilderna med lägre upplösning för att matcha den större perfekta ramen. När bearbetningen väl var klar inkluderades den neurala nätverksprogrammeringen i nästa grafikdrivrutin. Denna träningsprocess behövde köras för varje nytt spel, en design som bara var hållbar på grund av det låga antalet spel som implementerade DLSS.
DLSS 2.0
DLSS 2.0 förbättrade processen genom att ta bort kravet på att det neurala nätverket måste tränas för varje spel. Det lade också till tre nivåer av DLSS, prestanda, balanserad och kvalitet. Dessa tre lägen utformades för att ge användaren möjlighet att välja hur mycket prestandaökning de ville ha och hur mycket grafisk träff de var villiga att ta för det. Denna design gav användaren mycket fler valmöjligheter jämfört med den enstaka nivån av den ursprungliga DLSS-implementeringen som användare ofta rapporterade att de offrade för mycket kvalitet.