NVIDIA DLSS 3.5和射線重新排列:新的射線追踪技術是什麼以及如何運作

超級抽樣深度學習NVIDIA的最新演變將DLSC 3.5作為嫁妝:隨著其技術包裝的最新迭代,溫室返回以擴展與RTX範圍的所有視頻卡擴大兼容性,除了進一步改進她的展望技術為用戶提供了一種重要的新穎性,該新穎性以射線重建的名稱,該解決方案再次影響射線追踪的使用和質量。

有了這個新版本,Nvidia響應了過去的局限性,尤其是傳統Denisers產生的問題,簡化了開發人員的壽命並提高了圖像質量。讓我們找出什麼立法法令的優勢3.5射線重建

噪音,噪音,噪音...

DLSS 3.5的操作的圖像

我們已經分析了深度學習超級抽樣(DLSS)和魔力框架生成di dlss 3在我們的嚮導中。在這裡很高興回憶起關於生成框架:通常,圖形發動機首先創建由多邊形組成的所有幾何形狀和它們覆蓋的“材料”。然後根據分配給這些物理特性的物理特性來計算它們的外觀,最後計算在那裡光相互作用的方式。在此過程結束時,應用射線追踪。

傳統的射線追踪管道

但是,在場景中模擬光線的物理學是一個操作,該操作需要以計算術語來大量使用資源,尤其是如果模擬涉及屏幕上的每個單個像素時。為了解決這個問題,我們使用一些光線進行近似進行進行,並創建盡可能代表性的樣本。但是,在這一點上,圖像獲得了缺少所有必要的信息它充滿了所謂的“噪音”。用缺失的像素來完成場景因此,我們使用Deeniser,要減少噪聲的特定過濾器,必鬚根據兩種方法(一種時間和另一個空間)手動優化的噪聲:在分析各種幀之後,以尋找有關像素(時間)時間(時間)的移動信息的信息繼續通過插值“填充”像素,將相鄰像素放在同一(空間)場景中。在此過程之後,獲得了帶有射線跟踪的圖像。

傳統Denoiser的限制

正如我們提到的那樣,開發這些過濾器需要使用可以降低遊戲開發的資源同時。上面提到的兩種方法都必須達到一些定性限制,並且可以產生諸如hosting或更普遍的動態照明不精確的文物。
如果我們添加所有這些,那麼很容易理解如何損害圖像的最終重建:更少的信息或在任何情況下,初始信息不准確,等同於更不准確的最終結果。正是由於這個原因,NVIDIA已經進行了射線重建,這是一種利用人工智能的技術。

雷重建:AI的另一個魔力

射線重建的優勢

射線重建是基於人工智能的渲染引擎旨在通過射線追踪提高圖像的質量。然後,DENISER由經過適當訓練的高質量像素一代的神經網絡取代,從一組圖像開始比DLS 3高五倍,以及通過照明的結構和遊戲引擎的其他信息。用於培訓的圖像他們是離線的因此,他們可以利用比在執行特定遊戲期間實時可用的計算能力要高得多的。

AI使用數據來識別各種照明技術,包括全局照明和環境阻塞,然後實時生成丟失的信息:因此,時間和空間數據是最好的,並有助於保留更多詳細信息,特別是在高頻信息上。傳統的丹尼斯人無法識別經常性模式,尤其是使用這些衍生物中的信息量。因此,最終結果是明顯更高的升級最重要的是更精確的射線跟踪

為了顯示Ray重建獲得的結果,NVIDIA使用RTX和不可避免的Cyber​​punk 2077 Showcase使用了該新技術的技能。與框架的一代不同,Ray重建與所有NVIDIA GEFORCE視頻卡RTX家族或20、30和40系列兼容