DLSS, скорочення від Deep Learning Super Sampling — це інструмент Nvidia, для якого потрібна відеокарта Nvidia серії 20 або новішої з тензорними ядрами. DLSS розроблено для підвищення продуктивності, запускаючи гру з нижчою роздільною здатністю, ніж зазвичай, а потім використовуючи a нейронної мережі, щоб знову збільшити роздільну здатність, використовуючи тензорні ядра, які в іншому випадку не використовуються при візуалізації процес.
Архітектура графічного процесора
В основному призначений для візуалізації графіки для таких цілей, як відеоігри, однак є додаткові функції в процесорі GPU для відеокарт 20 серії. Дві основні додаткові функції – це ядра RT, які використовуються для трасування променів, і тензорні ядра, які призначені для виконання завдань машинного навчання.
DLSS
З оригінальною реалізацією DLSS розробники повинні були явно включити підтримку DLSS у своїй грі. Крім того, Nvidia потрібно було тренувати свою нейронну мережу для кожної гри за допомогою суперкомп’ютера. Цей процес брав декілька зображень з нижчою роздільною здатністю, а потім порівнював їх з одним «ідеальним кадром», створеним за допомогою традиційних методів суперсемплінгу. Потім суперкомп’ютер навчив нейронну мережу перетворювати зображення з нижчою роздільною здатністю, щоб відповідати більшому ідеальному кадру. Після завершення обробки програмування нейронної мережі було включено в наступний графічний драйвер. Цей навчальний процес потрібно було запускати для кожної нової гри, дизайн, який був стійким лише через малу кількість ігор, які реалізували DLSS.
DLSS 2.0
DLSS 2.0 покращив процес, прибравши вимогу до нейронної мережі, яку потрібно навчати для кожної гри. Він також додав три рівні DLSS, продуктивність, збалансованість і якість. Ці три режими були розроблені, щоб дозволити користувачеві вибирати, наскільки він хоче підвищити продуктивність і який графічний удар вони готові прийняти для цього. Цей дизайн давав користувачеві набагато більше вибору в порівнянні з єдиним рівнем оригінальної реалізації DLSS, про який користувачі часто повідомляли, що жертвує занадто високою якістю.