Je reste curieux de savoir comment fonctionne leur solution. Autant DLSS, c’est “simple” car ça utilise du réseau de neurone, donc ça tape principalement dans les TPU (tensor core) des CG RTX (et derrière ça laisse donc les Cuda Core à la 3D). Cependant, les Radeon n’ont pas de TPU, donc quelque soit la façon dont ça fonctionne, il faut taper dans la puissance de calcul qui pourrait servir à la 3D.

Les réseaux de neurone risquent en effet d’être beaucoup trop consommateur en puissance pour avoir un gain aussi significatif dans ce cas là. De plus ce ne serait pas à l’avantage des Radeon lorsqu’en face, les RTX ont une partie matérielle dédié à ce genre de calcul (donc des gain de performance bien plus important si bien mise en oeuvre). Je pencherai donc sur un algo plus classique pour faire de l’upscaling.

C’est un peu le sous entendu qui va avec. En effet, (attention, c’est assez simplifié) dans le cas des réseau de neurone convolutif (ce qui est très certainement le DLSS), l’image est analysée localement pour déterminer la nature des objets afin de faire un upscaling plus adapté, un peu comme si on nous demandait de peindre une photo sur une grande toile, on va interpréter l’image, les objets qui s’y trouvent afin de les redessiner en plus grand.

A coté, un algo type shader “classique”, je doute qu’il y ai beaucoup d’interprétation de l’image. J’ai du mal a voir comment ça peut tenir face au DLSS.

Techniquement, ça semble être que purement “logiciel” et ne pas faire appel à du matériel spécifique ou des capacité exclusive récent (vu que ça tourne sur une GTX1060 qui a déjà 5ans au compteur). Donc, ça devrait être utilisable sur les consoles.

Je pense que ça fera toujours un bon taf ça donnera très certainement un image bien meilleur qu’un upscaling par interpolation (celui que tu as quand tu demandes à ta télé de sortir une image 4k avec une source HD ou FHD).

La 3D dans les jeu vidéo aujourd’hui, c’est beaucoup de petite astuce permettant de produire une image qui fait illusion en un minimum de temps (pour faire du temps direct). C’est déjà plein d’effet qui en soit ne sont en théorie pas terrible, mais dans la pratique, passe souvent assez bien tant que l’on ne sais pas où regardé. Par exemple, sans RT, les reflets sont généralement des technique très approximatives (un reflet dans l’eau, c’est souvent l’inversion intelligente de l’image déjà calculé et/ou d’un “ciel”-> ark survival n’aime pas les pioches) et je ne compte pas le nombre d’effet qui ne sont que des images 2D détouré et incrusté dans l’image (faire une pause dans un replay d’Overwatch et voir toute les effet “tourner” vers la caméra et je ne serai pas étonné que ce soit détouré grace au z-buffer).

Pour cette upscaling, malheureusement, les personnes savent où et comment regarder pour voir ses “problèmes”, donc ça va certainement gueuler que c’est moche. Mais dans la réalité, déjà, c’est un gain par rapport à rien (de toute façon, le matos n’est pas capable d’avoir les mêmes performances en résolution native) et il y a de grande chance que la plupart des joueurs, si on ne leur dit pas et qu’il ne savent pas, n’y verront que du feu.

J’ai l’impression que tu confond chiplet et circuit logique programmable (genre FPGA). Un chiplet, ce n’est rien d’autre qu’une puce que l’on soude par dessus une autre puce.

Comme David l’a expliqué, une puce NVidia, c’est gravé d’un seul tenant, le terme “monolithiques” prend tous son sens. Cependant, dans les puce, tu peux répéter plusieurs fois une même “unité”. Par exemple, dans une RTX3080 il y a 68 répétitions d’un bloc qu’ils appellent le Streaming Multiprocessors (SM)

Dans ces SM, tu trouves 4 unité dédié aux calculs génériques sur les chiffre à virgule (FP32 : floating point 32bit), 4 unité capable de faire des calculs sur des entier ou, nouveauté d’Ampère, sur des chiffre à virgule (FP32+int32) 4 unités dédiées uniquement pour faire un seul type d’opération (D = A * B + C où A, B, C et D sont des matrice), 1 unité pour un type d’opération spécifique au calcul du raytracing (en gros ça va retourner ce que touche un rayon) et enfin plein d’autre trucs.

DLSS n’est pas vraiment une solution “matériel” non plus. Ca utilise le Deep Learning (ou plutôt les réseaux de neurones, car celui fournis est déjà appris). Or cette famille d’algo utilise massivement l’opération D = A * B + C. Il est possible de faire ce genre de calculs avec les unité FP32 (ou int32), mais les Tensor Core le réalise d’une manière particulièrement efficace (il fait matériellement ce calculs sur une portion complète des matrices là où la solution classique passe par un calcul “case par case”). Normalement, il serait très certainement possible de faire tourner DLSS sur une Geforce Serie 10 (et peut-être même des cartes plus ancienne), cependant ça risque d’avoir l’effet inverse tellement le calculs peut détourner beaucoup de puissance de calcul (principalement les FP32 et Int32) qui aurait pu servir à la 3D. Les Série 20 et 30 sont en effet capable de déléguer une grosse charge du calcul du DLSS (ainsi que du denoising dans le cas du raytracing) au Tensor Core, laissant les FP32 et les Int32 faire le calcul 3D de la scène