Анонс DLSS 5 от Nvidia вызвал волну критики — во многом из-за сырых демонстраций и маркетинговых просчётов самой компании. Но за шумом вокруг презентации скрывается куда более интересный вопрос: как именно ИИ-технологии меняют саму архитектуру рендеринга в играх и что нас ждёт дальше.
Два десятилетия прогресс в игровой графике шёл по одному пути — больше вычислительной мощности, больше полигонов, сложнее шейдеры. Закон Мура диктовал темп. Сегодня этот подход уступил место принципиально иной логике: вместо того чтобы рендерить каждый пиксель «честно», движки рендерят меньше, а затем восстанавливают недостающее с помощью алгоритмов. По оценкам из отрасли, в технически передовых играх более 80% пикселей на экране проходят именно через такие смешанные методы.
История апскейлинга начинается задолго до DLSS. Классические методы сглаживания — SSAA, MSAA, FXAA — решали проблему «лесенок» на границах объектов по-разному, но все упирались в один компромисс: либо качество, либо производительность. SSAA рендерил сцену в 4K для вывода на Full HD-монитор — результат эталонный, но GPU под такой нагрузкой работал на пределе. FXAA, напротив, анализировал уже готовый 2D-кадр и размывал контрастные границы — дёшево, но ценой «мыльной» картинки по всему экрану.
DLSS 4 перешёл с архитектуры CNN на Vision Transformer, что устранило гоустинг и мерцание на мелких деталях.
Переломным моментом стало появление темпоральных методов — TAA и его развития TAAU. Вместо обработки одного кадра алгоритм начал накапливать информацию из нескольких предыдущих, используя векторы движения объектов. Это позволило приблизиться к качеству SSAA при несравнимо меньших затратах. TAAU пошёл дальше: сцена рендерится в пониженном разрешении, а история кадров используется для восстановления деталей при масштабировании. Именно TAAU стал прямым предшественником DLSS — с одним принципиальным ограничением: он работал по жёстко заданным математическим правилам и не мог интерпретировать содержимое сцены. Отсюда характерные артефакты — гоустинг, мерцание на листве и тонких объектах.
DLSS заменил математику машинным обучением. Первые версии строились на сверточных нейронных сетях (CNN), которые анализировали пиксели в ограниченном пространственном окне — так называемом рецептивном поле. Если объект двигался быстро или был мелким, сеть его «теряла». Переход к архитектуре Vision Transformer в DLSS 4 решил эту проблему структурно: Transformer оценивает взаимосвязь любых пикселей в кадре вне зависимости от расстояния между ними, благодаря механизму внимания. Модель начала «понимать» контекст всей сцены — стабильность изображения выросла, артефакты сократились, а результат апскейла в ряде сцен стал сопоставим с нативным разрешением или превосходил его по чёткости.
Технически DLSS — не автономный фильтр постобработки. Это система, глубоко встроенная в графический конвейер: движок игры обязан передавать алгоритму специальные буферы данных. Color Buffer — кадр в пониженном разрешении, «черновик» для восстановления. Motion Vectors — для каждого пикселя указывают, куда он сместился относительно предыдущего кадра. Без корректно подготовленных данных нейросеть работает с неполной информацией, и качество закономерно падает. Это объясняет, почему реализация DLSS в разных играх так сильно различается: проблема нередко не в технологии, а в том, как конкретная студия интегрировала её в свой движок.
Аналоги от AMD (FSR) и Epic Games (TSR в Unreal Engine) идут схожим путём, хотя и с разными архитектурными решениями. FSR изначально не требовал специализированного железа и работал на любых GPU, что обеспечило ему широкое распространение, — но до последних версий DLSS по качеству уступал. Конкуренция между этими подходами подталкивает всю отрасль к более быстрому развитию нейросетевого рендеринга. Следующий логичный шаг — генерация не отдельных пикселей, а целых кадров, что DLSS 3 уже частично реализовал через Frame Generation. DLSS 5 продолжает эту линию, и техническая дискуссия вокруг него куда продуктивнее, чем споры о качестве маркетинговых роликов.
