Debido al aprendizaje profundo continuo en la nube, después de un período de tiempo, la velocidad de fotogramas del juego también aumentará cada vez más con la actualización del algoritmo.
DLSS 2.0 ofrece tres modos de calidad de imagen diferentes: modo de calidad, modo equilibrado y modo de rendimiento.
Pueden controlar la resolución de renderizado interna del juego, donde el modo de rendimiento puede alcanzar una súper resolución de hasta 4x, es decir, en los juegos habilitados para DLSS 2.0, elige una resolución de 4k, pero la tarjeta gráfica renderizará a demanda de 1080p y luego convierta a resolución 4k a través del algoritmo de súper muestreo, logrando así una salida 4k y sin afectar la calidad de la imagen, incluso como dice Nvidia, "La calidad de imagen sintonizada con DLSS 2.0 es más fina que la calidad de imagen nativa anterior". Por lo tanto, la velocidad de fotogramas se puede aumentar significativamente en calidad 4k.
La mayoría de los juegos actuales no se muestran directamente en la pantalla después de renderizarse, sino que requieren una serie de procesamiento posterior. Por ejemplo, las funciones de suavizado, incluido el suavizado de tiempo TAA, el suavizado de adaptación rápida FXAA, etc. elementos, etc
Para este tipo de problema, es imposible confiar únicamente en algoritmos para resolverlo. Esto se debe a que es imposible que el algoritmo sepa qué cosas son qué en la imagen. Sin embargo, para AI, esta es una muy buena aplicación. Después de decenas o cientos de miles de sesiones de entrenamiento con la IA en la computadora, la IA puede identificar los diferentes elementos de la imagen y complementarlos automáticamente para producir resultados gráficos de alta calidad.
Este es el principio básico de cómo funciona DLSS. Según los datos de NVIDIA, primero recopilan la calidad de imagen perfecta del juego con suavizado de pantalla completa de 64x como imagen de referencia, luego obtienen la imagen original obtenida mediante renderizado normal, luego entrenan DLSS para que coincida con la calidad de imagen perfecta, pregunte a DLSS para producir salida por cada entrada, mida la diferencia entre estas salidas y la calidad de imagen perfecta, y ajuste los pesos de la cuadrícula de acuerdo con la diferencia. En este punto, DLSS tiene un modelo estable para optimizar la imagen para una aplicación determinada.
