AMD FidelityFX Super Resolution hæves som en rival til DLSS, der starter med to fordele. For det første kræver det mere beskeden hardware for at fungere og er kompatibel med et større antal spil og grafikkort ved ikke at stole på slutningsalgoritmer. Men hvordan fungerer AMD FidelityFX Super Resolution?
AMD FSR har revolutioneret GPU landskab i de seneste uger, ikke kun ved rivalisering NVIDIADLSS til at levere billeder med højere opløsning ved brug af færre ressourcer. Hvis ikke også på grund af dens åbne karakter, som gør det muligt at implementere den i enhver GPU uanset dens arkitektur.
Hvad er superopløsningsalgoritmer?
Superopløsningsalgoritmer er blevet meget populære i nyere tid, især dem, der bruger konvolutive neurale netværk som NVIDIAs DLSS. Det særlige ved AMD -løsningen? Det faktum, at det ikke er baseret på kunstig intelligens og derfor ikke behøver at blive trænet med et sæt tidligere billeder af det samme spil. Siden et konvolutionelt neuralt netværk til edb -vision, hvad det gør, er at lære en række fælles mønstre for at udføre en rekonstruktion.
Den fordel, som metoden, der bruges af AMD FidelityFX Super Resolution, har over DLSS, når det kommer til at blive implementeret i ethvert spil, er, at AI ikke har en tendens, når de genererer de nye billeder. For at forstå konceptet skal vi forestille os, at vi træner en AI med et sæt billeder med en artefakt eller billedfejl til fælles. Derefter får vi AI til at gengive disse billeder eller varianter deraf. Hvordan der er den tendens, man lærte under AI -indlæringsfasen at lære disse billedfejl, vil gengive dem med den nævnte billedfejl.
Dette bevirker, at du i et superopløsnings system baseret på AI kan nå konklusioner, der ikke er nøjagtige. Derfor kommer spil under NVIDIAs DLSS ud på en kontrolleret og dropper måde, mens FidelityFX Super Resolution er en algoritme, der kan anvendes på ethvert spil.
FidelityFX Super Resolution er en rumlig og ikke en tidsmæssig algoritme
Den metode, AMD har valgt, er baseret på at tage oplysningerne om den aktuelle ramme og kun den aktuelle ramme, så den adskiller sig fra andre metoder til skalering af billedopløsning, f.eks. Skakbræt gengivelse. Når vi taler om midlertidighed, henviser vi til det for at generere den højere opløsning version af den aktuelle ramme, den går delvist fra den forrige ramme. Så den mangler det, vi kalder midlertidighed og tager rammeoplysningerne med en lavere opløsning, end GPU'en lige har genereret for at oprette billedet med en højere opløsning.
Men hvad mener vi med opløsning? Nå, til antallet af pixels, der udgør det, så når vi øger opløsningen af et billede, er det, vi gør, at øge mængden af disse, med disse nye pixels genereres der optager rummet, men hvis værdi i farve vi ikke gør ved godt. Den enkleste løsning? Brug interpolationsalgoritmer, der er baseret på at male de manglende pixels med farver, der er halvvejs til de nærliggende pixels. Jo flere nabopixel du tager som kildeoplysninger, desto mere præcise bliver oplysningerne.
Problemet er, at den rå interpolation ikke er god nok og ikke bruges, kvaliteten af de resulterende billeder er meget lav og ofte adskiller sig fra virkeligheden. I dag gør de fleste billedredigeringsprogrammer brug af kunstig intelligens -algoritmer til at generere versioner med højere opløsninger. Hvis vi allerede udelukkende fokuserer på FidelityFX Super Resolution, er dens metode til at hente oplysningerne om de manglende pixels ikke baseret på en direkte interpolation, men er mere kompleks.
Dette øger opløsningen for AMD FidelityFX Super Resolution
Vi kommer til at holde os til den officielle forklaring, som AMD har givet, som vi vil citere nedenfor:
FidelityFX Super Resolution består af to hovedtrin.
Hvad oversætter til to på hinanden følgende algoritmer, som udføres efter hinanden eller rettere, hvor den anden tager den information, der genereres af den første. Lad os se, hvad hvert af disse trin er.
Et skaleringskort kaldet EASU (Edge Adaptive Spatial Up Sampling), som også udfører kantrekonstruktion. I dette trin analyseres inputrammen, og hoveddelen af algoritmen detekterer gradientinversioner, og ser hovedsageligt på, hvordan nabogradienter adskiller sig fra et sæt inputpixels. Intensiteten af gradientinversionerne definerer de vægte, der vil blive påført de rekonstruerede pixels ved skærmopløsningen.
For at forstå citatet er det første, vi skal vide, hvad forklaringen med kantregistrering i et billede refererer til. For at gøre dette er det en sort / hvid version af den sidste ramme, der er i RGB -format. Så det er gjort at tilføje værdierne for hver af kanalerne og dividere med 3 for at opnå værdien i et sort -hvidt billede. Hvis vi kun efterlader i gråtonebilledet de rent hvide, FFFFFF eller rent sorte 00000 værdier, får vi et billede, der vil afgrænse kanterne.
I AMD FidelityFX Super Resolution udfører det det billede, der genereres gennem kantdetektering ved en outputopløsning, der er meget højere end den, der oprindeligt blev gengivet, men som svarer til den outputopløsning, du vil opnå. Alt dette vil blive kombineret med en billedbuffer, der gemmer gradientændringerne for hvert af pixels. Som måler ændringer i farveintensitet mellem pixels. Disse oplysninger kombineres med den klassiske interpolation for at opnå billedet i en højere opløsning.
Et skærpningstrin kaldet RCAS (Robust Contrast Adaptive Sharpening), der udtrækker pixeldetaljer i det forbedrede billede.
Billedet genereret i det første trin forstærkes af en modificeret version af Contrast Adaptive Sharpening, slutresultatet er et billede halvvejs mellem ren og hård interpolation og kunstig intelligens.
