در مقاله Upscaling چیست؟ فناوری‌ای که آینده گرافیک بازی‌ها را متحول کرده است، با مفهوم Upscaling آشنا شدیم و دیدیم که چگونه این فناوری با بازسازی هوشمند تصویر، امکان اجرای روان‌تر بازی‌ها را بدون کاهش محسوس کیفیت فراهم می‌کند. همچنین تفاوت میان روش‌های Spatial و Temporal Upscaling را بررسی کردیم و نگاهی کلی به سه فناوری مطرح این حوزه، یعنی DLSS، FSR و XeSS داشتیم.

در میان این فناوری‌ها، DLSS یا Deep Learning Super Sampling بیش از همه مورد توجه کاربران و رسانه‌های حوزه سخت‌افزار قرار گرفته است. دلیل این موضوع تنها افزایش نرخ فریم نیست؛ بلکه DLSS با تکیه بر هوش مصنوعی و سخت‌افزار اختصاصی، توانسته مرز میان عملکرد و کیفیت تصویر را بیش از هر زمان دیگری جابه‌جا کند. امروزه این فناوری نه‌تنها به ابزاری برای اجرای روان‌تر بازی‌ها تبدیل شده، بلکه در فناوری‌هایی مانند Ray Tracing و Path Tracing نیز نقشی کلیدی ایفا می‌کند.

البته DLSS از همان ابتدا به موفقیت نرسید. نخستین نسخه این فناوری با انتقادهای فراوانی روبه‌رو شد و بسیاری از کاربران کیفیت تصویر آن را ناامیدکننده می‌دانستند. اما انویدیا در سال‌های بعد با بازطراحی کامل این فناوری و بهره‌گیری از الگوریتم‌های پیشرفته‌تر، DLSS را به یکی از مهم‌ترین قابلیت‌های کارت‌های گرافیک GeForce RTX تبدیل کرد؛ قابلیتی که امروزه در صدها بازی پشتیبانی می‌شود و هر نسل، امکانات جدیدی مانند Frame Generation، Ray Reconstruction و Multi Frame Generation را به همراه آورده است.

در این مقاله، به‌طور کامل با فناوری DLSS آشنا خواهیم شد؛ از دلایل شکل‌گیری و تاریخچه نسخه‌های مختلف آن گرفته تا نحوه عملکرد، نقش هسته‌های Tensor و قابلیت‌های مبتنی بر هوش مصنوعی. همچنین بررسی خواهیم کرد که چرا بسیاری از کارشناسان، DLSS را استاندارد طلایی Upscaling می‌دانند و چه عواملی آن را از سایر فناوری‌های مشابه متمایز می‌کند.

فناوری DLSS دقیقا چیست؟

فناوری DLSS که مخفف Deep Learning Super Sampling است، فناوری اختصاصی شرکت انویدیا برای بازسازی هوشمند تصویر و افزایش عملکرد بازی‌های ویدیویی است. این فناوری با رندر کردن بازی در رزولوشنی پایین‌تر و بازسازی آن به رزولوشن بالاتر، فشار وارد بر پردازنده گرافیکی را کاهش می‌دهد و در عین حال تلاش می‌کند کیفیت تصویر را تا حد ممکن به رزولوشن Native نزدیک نگه دارد.

برخلاف بسیاری از فناوری‌های ارتقای وضوح، DLSS تنها به الگوریتم‌های سنتی متکی نیست. این فناوری از هوش مصنوعی و هسته‌های اختصاصی Tensor Cores موجود در کارت‌های گرافیک سری GeForce RTX استفاده می‌کند تا جزئیات تصویر را با دقت بیشتری بازسازی کند. به همین دلیل، DLSS در بسیاری از بازی‌ها نه‌تنها باعث افزایش نرخ فریم می‌شود، بلکه در برخی شرایط حتی می‌تواند تصویری شفاف‌تر و پایدارتر از اجرای Native همراه با روش‌های سنتی Anti-Aliasing ارائه دهد.

با گذشت زمان، DLSS از یک فناوری صرفاً برای افزایش رزولوشن فراتر رفت. امروزه این مجموعه شامل قابلیت‌هایی مانند Super Resolution، Frame Generation، Ray Reconstruction و در جدیدترین نسخه‌ها Multi Frame Generation نیز می‌شود. به همین دلیل، وقتی امروز از DLSS صحبت می‌کنیم، در واقع با مجموعه‌ای از فناوری‌های مبتنی بر هوش مصنوعی روبه‌رو هستیم که هرکدام وظیفه مشخصی در بهبود کیفیت تصویر یا افزایش عملکرد بر عهده دارند.

نکته مهم این است که برخلاف فناوری‌هایی مانند FSR که روی طیف گسترده‌ای از کارت‌های گرافیک اجرا می‌شوند، DLSS برای استفاده از قابلیت‌های مبتنی بر هوش مصنوعی خود به Tensor Cores نیاز دارد. به همین دلیل، این فناوری تنها روی کارت‌های گرافیک سری GeForce RTX در دسترس است و یکی از مهم‌ترین مزیت‌های رقابتی انویدیا در سال‌های اخیر محسوب می‌شود.

چرا انویدیا DLSS را توسعه داد؟

در اواخر دهه ۲۰۱۰، صنعت بازی‌های ویدیویی وارد دوره‌ای شد که افزایش کیفیت گرافیکی دیگر تنها به استفاده از بافت‌های باکیفیت‌تر یا مدل‌های سه‌بعدی پیچیده‌تر محدود نمی‌شد. نمایشگرهای 1440p و 4K به‌سرعت در حال گسترش بودند و توسعه‌دهندگان نیز به دنبال ارائه نورپردازی واقع‌گرایانه‌تر، سایه‌های دقیق‌تر و بازتاب‌های طبیعی‌تر بودند. این روند سرانجام با معرفی فناوری Ray Tracing به نقطه عطف جدیدی رسید.

اگرچه Ray Tracing کیفیت بصری بازی‌ها را متحول کرد، اما هزینه پردازشی بسیار سنگینی نیز به همراه داشت. حتی قدرتمندترین کارت‌های گرافیک آن زمان نیز در بسیاری از بازی‌ها برای حفظ نرخ فریم مناسب در رزولوشن‌های بالا با مشکل مواجه می‌شدند. به بیان دیگر، پیشرفت کیفیت تصویر با سرعتی بیشتر از رشد قدرت سخت‌افزار در حال حرکت بود.

انویدیا که در سال ۲۰۱۸ معماری Turing و نخستین کارت‌های گرافیک سری GeForce RTX را معرفی کرد، به‌خوبی از این چالش آگاه بود. این شرکت می‌دانست که افزایش قدرت خام پردازنده‌های گرافیکی به‌تنهایی نمی‌تواند پاسخگوی نیاز بازی‌های نسل جدید باشد و برای اجرای فناوری‌هایی مانند Ray Tracing، به رویکردی متفاوت نیاز است.

راه‌حل انویدیا، بهره‌گیری از هوش مصنوعی بود. ایده اصلی این بود که به‌جای رندر کردن تمام فریم در رزولوشن نهایی، بازی ابتدا در رزولوشنی پایین‌تر اجرا شود و سپس یک مدل هوش مصنوعی، تصویر را با کیفیتی نزدیک به رزولوشن Native بازسازی کند. در صورت موفقیت، این روش می‌توانست بدون نیاز به افزایش چشمگیر توان سخت‌افزاری، نرخ فریم را به‌طور محسوسی افزایش دهد.

برای تحقق این ایده، انویدیا هسته‌های اختصاصی Tensor Cores را در کارت‌های گرافیک RTX قرار داد؛ واحدهایی که برای اجرای مدل‌های هوش مصنوعی طراحی شده بودند. برخلاف هسته‌های معمول پردازش گرافیکی، Tensor Cores می‌توانستند محاسبات مرتبط با شبکه‌های عصبی را با سرعت بسیار بیشتری انجام دهند و همین موضوع، پایه و اساس فناوری Deep Learning Super Sampling یا DLSS را شکل داد.

البته مسیر موفقیت DLSS به هیچ وجه هموار نبود. نخستین نسخه این فناوری نتوانست انتظارات کاربران را برآورده کند و کیفیت تصویر آن با انتقادهای گسترده‌ای روبه‌رو شد. اما انویدیا این پروژه را کنار نگذاشت و طی چند سال، با بازطراحی کامل الگوریتم و تغییر رویکرد خود، DLSS را به یکی از موفق‌ترین فناوری‌های گرافیکی صنعت بازی تبدیل کرد؛ مسیری که بررسی آن از DLSS 1.0 آغاز می‌شود.

نسخه اول DLSS؛ شروعی جاه‌طلبانه اما ناامیدکننده

شرکت انویدیا هم‌زمان با معرفی معماری Turing و نخستین کارت‌های گرافیک سری GeForce RTX در سال ۲۰۱۸، از فناوری DLSS نیز رونمایی کرد. این فناوری با وعده‌ای بزرگ معرفی شد؛ اجرای بازی‌ها با نرخ فریم بالاتر، بدون آنکه کیفیت تصویر به‌طور محسوسی کاهش پیدا کند. در آن زمان، چنین ایده‌ای بسیار جاه‌طلبانه به نظر می‌رسید و بسیاری آن را آینده گرافیک بازی‌های ویدیویی می‌دانستند.

نسخه نخست DLSS بر پایه مدل‌های هوش مصنوعی آموزش‌دیده در ابررایانه‌های انویدیا توسعه یافته بود. این مدل‌ها تصاویر بازی را با نمونه‌های بسیار باکیفیت مقایسه می‌کردند تا بتوانند هنگام اجرای بازی، تصویر رندرشده در رزولوشن پایین‌تر را به تصویری نزدیک به رزولوشن Native تبدیل کنند.

اما مشکل اصلی این بود که هر بازی به یک مدل هوش مصنوعی اختصاصی نیاز داشت. انویدیا باید برای هر عنوان، شبکه عصبی را به‌صورت جداگانه آموزش می‌داد و سپس آن را از طریق درایورها یا به‌روزرسانی بازی در اختیار کاربران قرار می‌داد. این فرآیند زمان‌بر بود و باعث می‌شد تنها تعداد محدودی از بازی‌ها از DLSS پشتیبانی کنند.

از سوی دیگر، کیفیت تصویر نیز مطابق انتظار نبود. در بسیاری از بازی‌ها، خروجی DLSS 1.0 نسبت به رزولوشن Native نرم‌تر و تارتر به نظر می‌رسید و برخی جزئیات تصویر از بین می‌رفتند. نوشته‌های ریز، بافت‌های ظریف و لبه اجسام معمولاً وضوح کمتری داشتند و در برخی صحنه‌ها، تصویر حتی از روش‌های سنتی Anti-Aliasing نیز ضعیف‌تر به نظر می‌رسید.

مشکل دیگر، نبود یک الگوریتم بازسازی زمانی پیشرفته بود. DLSS 1.0 هنوز به اندازه نسخه‌های بعدی از اطلاعات فریم‌های قبلی استفاده نمی‌کرد و همین موضوع باعث می‌شد در بازسازی جزئیات، محدودیت‌های قابل‌توجهی داشته باشد.

مجموعه این عوامل باعث شد استقبال اولیه از DLSS چندان مثبت نباشد. بسیاری از کاربران ترجیح می‌دادند بازی را با رزولوشن Native اجرا کنند تا اینکه کیفیت تصویر را فدای چند فریم بیشتر کنند. حتی برخی رسانه‌های تخصصی، DLSS را فناوری‌ای امیدوارکننده توصیف کردند که هنوز برای استفاده گسترده آماده نیست.

با این حال، انویدیا این پروژه را شکست‌خورده تلقی نکرد. مهندسان این شرکت به این نتیجه رسیدند که مشکل از اصل ایده نیست، بلکه روش پیاده‌سازی آن نیاز به بازنگری اساسی دارد. همین تصمیم، زمینه‌ساز توسعه DLSS 2.0 شد؛ نسخه‌ای که نه‌تنها بسیاری از ضعف‌های نسخه اول را برطرف کرد، بلکه مسیر فناوری‌های Upscaling را برای همیشه تغییر داد.

نسخه دوم DLSS؛ تولدی دوباره

پس از بازخوردهای نه‌چندان مثبت به نسخه نخست، انویدیا تصمیم گرفت به‌جای اصلاحات جزئی، معماری DLSS را از پایه بازطراحی کند. نتیجه این تصمیم، معرفی DLSS 2.0 در سال ۲۰۲۰ بود؛ نسخه‌ای که نه‌تنها بسیاری از مشکلات DLSS 1.0 را برطرف کرد، بلکه استاندارد جدیدی برای فناوری‌های Upscaling به وجود آورد.

بزرگ‌ترین تغییر DLSS 2.0، کنار گذاشتن مدل‌های اختصاصی برای هر بازی بود. برخلاف نسخه اول که نیاز داشت شبکه هوش مصنوعی برای هر عنوان به‌صورت جداگانه آموزش داده شود، DLSS 2.0 از یک مدل هوش مصنوعی عمومی استفاده می‌کرد که می‌توانست در بازی‌های مختلف به کار گرفته شود. این تغییر، فرآیند توسعه را برای انویدیا و استودیوهای بازی‌سازی ساده‌تر کرد و باعث شد تعداد بازی‌های پشتیبانی‌شده با سرعت بیشتری افزایش یابد.

تغییر مهم دیگر، مهاجرت کامل به Temporal Upscaling بود. DLSS 2.0 علاوه بر فریم فعلی، از اطلاعات فریم‌های قبلی، Motion Vectors و داده‌های عمق صحنه (Depth Buffer) نیز برای بازسازی تصویر استفاده می‌کرد. این رویکرد به الگوریتم اجازه می‌داد جزئیات بیشتری را حفظ کند، لبه‌ها را با دقت بالاتری بازسازی کند و پایداری تصویر را در صحنه‌های متحرک به شکل محسوسی افزایش دهد.

نتیجه این تغییرات، جهشی بزرگ در کیفیت تصویر بود. در بسیاری از بازی‌ها، DLSS 2.0 نه‌تنها عملکرد را به‌طور قابل‌توجهی افزایش می‌داد، بلکه در برخی صحنه‌ها تصویری بسیار نزدیک به رزولوشن Native ارائه می‌کرد. همچنین مشکلاتی مانند تاری تصویر که در DLSS 1.0 به چشم می‌خورد، تا حد زیادی برطرف شد و کیفیت بافت‌ها، نوشته‌ها و جزئیات ریز بهبود یافت.

انویدیا هم‌زمان چند حالت مختلف برای DLSS 2.0 معرفی کرد تا کاربران بتوانند میان کیفیت تصویر و عملکرد تعادل برقرار کنند. حالت Quality بیشترین تمرکز را بر حفظ کیفیت تصویر داشت، در حالی که حالت Performance برای دستیابی به نرخ فریم بالاتر طراحی شده بود. بعدها حالت‌های Balanced و Ultra Performance نیز به این مجموعه اضافه شدند تا کاربران گزینه‌های بیشتری متناسب با سخت‌افزار و رزولوشن مورد نظر خود داشته باشند.

موفقیت DLSS 2.0 تنها به بهبود کیفیت تصویر محدود نمی‌شد. این نسخه نشان داد که استفاده از هوش مصنوعی می‌تواند به راهکاری عملی و قابل اعتماد برای افزایش عملکرد بازی‌ها تبدیل شود. بسیاری از رسانه‌های تخصصی که پیش‌تر از DLSS 1.0 انتقاد کرده بودند، این بار عملکرد نسخه جدید را تحسین کردند و از آن به‌عنوان یکی از مهم‌ترین پیشرفت‌های گرافیکی سال‌های اخیر یاد کردند.

نسخه DLSS 2.0 نه‌تنها اعتبار از دست‌رفته این فناوری را بازگرداند، بلکه پایه‌ای را بنا نهاد که تمام نسخه‌های بعدی DLSS بر اساس آن توسعه یافتند. موفقیت این نسخه همچنین باعث شد سایر شرکت‌ها نیز سرمایه‌گذاری بیشتری روی فناوری‌های Upscaling انجام دهند و رقابت میان انویدیا، AMD و اینتل وارد مرحله جدیدی شود.

نسخه سوم DLSS؛ آغاز عصر Frame Generation

پس از موفقیت چشمگیر DLSS 2.0، بسیاری تصور می‌کردند انویدیا تنها به بهبود کیفیت بازسازی تصویر ادامه خواهد داد. اما این شرکت در سال ۲۰۲۲ و هم‌زمان با معرفی معماری Ada Lovelace و کارت‌های گرافیک GeForce RTX 40، رویکردی متفاوت را در پیش گرفت. به‌جای تمرکز صرف بر افزایش کیفیت Upscaling، انویدیا فناوری DLSS 3 را معرفی کرد؛ نسخه‌ای که برای نخستین بار قابلیت Frame Generation را به مجموعه DLSS اضافه می‌کرد.

برخلاف Super Resolution که با بازسازی تصویر از یک رزولوشن پایین‌تر کار می‌کند، Frame Generation فریم‌هایی کاملاً جدید تولید می‌کند. این فناوری با تحلیل دو فریم متوالی، اطلاعات Motion Vectors و داده‌های Optical Flow Accelerator، حرکت اجسام و دوربین را پیش‌بینی کرده و یک فریم میانی ایجاد می‌کند. به این ترتیب، تعداد فریم‌های نمایش‌داده‌شده روی صفحه افزایش می‌یابد، بدون آنکه کارت گرافیک تمام آن فریم‌ها را به‌صورت سنتی رندر کرده باشد.

برای مثال، اگر یک بازی به‌طور واقعی با نرخ ۶۰ فریم بر ثانیه اجرا شود، DLSS 3 می‌تواند با تولید فریم‌های میانی، نرخ نمایش را به بیش از ۱۰۰ یا حتی ۱۲۰ فریم بر ثانیه برساند. این موضوع به‌ویژه در بازی‌هایی که به توان پردازشی بسیار بالایی نیاز دارند، مانند عناوین مجهز به Ray Tracing یا Path Tracing، تأثیر قابل‌توجهی بر روان‌تر شدن تجربه بازی دارد.

البته تولید فریم‌های مصنوعی چالش‌های خاص خود را نیز به همراه دارد. از آنجا که این فریم‌ها بر اساس پیش‌بینی ساخته می‌شوند، ممکن است در برخی شرایط خطاهای تصویری یا افزایش تأخیر ورودی (Input Latency) ایجاد شود. برای کاهش این مشکل، انویدیا فناوری NVIDIA Reflex را در کنار DLSS 3 ارائه کرد تا میزان تأخیر ورودی تا حد امکان کاهش یابد و تجربه کاربر در بازی‌های رقابتی حفظ شود.

یکی دیگر از تفاوت‌های مهم DLSS 3 با نسخه‌های قبلی، وابستگی آن به سخت‌افزار جدید بود. قابلیت Frame Generation تنها روی کارت‌های گرافیک سری GeForce RTX 40 در دسترس قرار گرفت، زیرا برای تولید فریم‌های جدید به نسل جدید Optical Flow Accelerator نیاز داشت. همین موضوع باعث شد اگرچه کاربران کارت‌های RTX قدیمی همچنان بتوانند از Super Resolution استفاده کنند، اما قابلیت Frame Generation به محصولات نسل جدید انویدیا محدود شود.

معرفی DLSS 3 نشان داد که آینده افزایش عملکرد بازی‌ها دیگر تنها به رندر سریع‌تر وابسته نیست. انویدیا با ترکیب Upscaling و تولید هوشمند فریم، مسیر تازه‌ای را در صنعت گرافیک آغاز کرد؛ مسیری که بعدها شرکت‌های دیگر نیز تلاش کردند نمونه‌های مشابه آن را توسعه دهند.

نسخه سه و نیم DLSS؛ هوش مصنوعی در خدمت Ray Tracing

در سال ۲۰۲۳، انویدیا نسخه DLSS 3.5 را معرفی کرد. برخلاف تصور بسیاری از کاربران، مهم‌ترین ویژگی این نسخه افزایش نرخ فریم یا تغییر در فناوری Super Resolution نبود، بلکه قابلیتی جدید به نام Ray Reconstruction بود؛ فناوری‌ای که با کمک هوش مصنوعی، کیفیت نورپردازی مبتنی بر Ray Tracing را به شکل محسوسی بهبود می‌بخشید.

برای درک اهمیت Ray Reconstruction، ابتدا باید بدانیم هنگام اجرای Ray Tracing چه اتفاقی رخ می‌دهد. به دلیل محدودیت توان پردازشی، موتور بازی نمی‌تواند تعداد نامحدودی پرتو نور را برای هر پیکسل محاسبه کند. در نتیجه، تصویر اولیه معمولاً دارای نویز است و برای حذف این نویز، از الگوریتم‌هایی به نام Denoiser استفاده می‌شود.

اگرچه Denoiserها در کاهش نویز مؤثر هستند، اما همیشه بهترین نتیجه را ارائه نمی‌دهند. در برخی صحنه‌ها ممکن است جزئیات ریز از بین بروند، انعکاس‌ها حالت طبیعی خود را از دست بدهند یا نورپردازی کمی تار و ناپایدار به نظر برسد. این مشکل به‌ویژه در بازی‌هایی که از Path Tracing استفاده می‌کنند، بیشتر به چشم می‌آید.

اینجاست که Ray Reconstruction وارد عمل می‌شود. این فناوری با استفاده از یک مدل هوش مصنوعی آموزش‌دیده، بخش زیادی از وظیفه Denoiserهای سنتی را بر عهده می‌گیرد. به جای آنکه هر نوع جلوه نوری توسط الگوریتم‌های جداگانه پردازش شود، Ray Reconstruction تمام داده‌های مربوط به Ray Tracing را تحلیل کرده و تصویری دقیق‌تر و پایدارتر تولید می‌کند.

نتیجه این فرایند، انعکاس‌های شفاف‌تر، سایه‌های طبیعی‌تر، نورپردازی دقیق‌تر و کاهش چشمگیر نویز تصویر است. همچنین هنگام حرکت دوربین، پایداری تصویر افزایش پیدا می‌کند و مشکلاتی مانند لرزش یا محوشدگی برخی جلوه‌های نوری کمتر دیده می‌شود.

یکی از نکات مهم درباره DLSS 3.5 این است که Ray Reconstruction مستقل از Frame Generation عمل می‌کند. به عبارت دیگر، حتی کاربرانی که از کارت‌های گرافیک سری GeForce RTX 20 یا RTX 30 استفاده می‌کنند نیز می‌توانند در بازی‌های پشتیبانی‌شده از این قابلیت بهره ببرند، زیرا Ray Reconstruction به Tensor Cores متکی است و نیازی به سخت‌افزار اختصاصی مورد استفاده در Frame Generation ندارد.

با معرفی DLSS 3.5، انویدیا نشان داد که هوش مصنوعی تنها برای افزایش نرخ فریم کاربرد ندارد، بلکه می‌تواند کیفیت رندرینگ را نیز بهبود دهد. این نسخه آغازگر رویکردی بود که در آن هوش مصنوعی نه‌تنها تصویر را بازسازی می‌کند، بلکه مستقیماً در تولید جلوه‌های گرافیکی واقع‌گرایانه‌تر نیز نقش ایفا می‌کند.

نسخه چهارم DLSS؛ آغاز عصر Multi Frame Generation و مدل‌های Transformer

در نمایشگاه CES 2025، انویدیا از نسل جدید فناوری DLSS با نام DLSS 4 رونمایی کرد. برخلاف نسخه‌های پیشین که هرکدام تنها یک قابلیت جدید به مجموعه DLSS اضافه می‌کردند، این نسخه تغییرات گسترده‌ای را در هسته فناوری ایجاد کرد و آن را وارد مرحله تازه‌ای از تکامل نمود.

مهم‌ترین قابلیت DLSS 4، فناوری Multi Frame Generation است. در حالی که DLSS 3 تنها یک فریم جدید میان دو فریم واقعی تولید می‌کرد، Multi Frame Generation قادر است با استفاده از هوش مصنوعی، تا سه فریم را بین دو فریم رندرشده ایجاد کند. در نتیجه، تنها بخشی از فریم‌های نمایش‌داده‌شده توسط پردازنده گرافیکی رندر می‌شوند و باقی آن‌ها توسط مدل هوش مصنوعی تولید خواهند شد.

برای مثال، اگر یک بازی به‌صورت واقعی با نرخ ۶۰ فریم بر ثانیه اجرا شود، فناوری Multi Frame Generation می‌تواند نرخ نمایش را در شرایط مناسب به بیش از ۲۰۰ فریم بر ثانیه برساند. البته این اعداد بسته به بازی، سخت‌افزار و تنظیمات گرافیکی متفاوت هستند، اما هدف اصلی این فناوری، کاهش وابستگی به قدرت خام GPU و ارائه تجربه‌ای روان‌تر، به‌ویژه در رزولوشن‌های بالا و هنگام استفاده از Path Tracing است.

یکی دیگر از مهم‌ترین تغییرات DLSS 4، جایگزینی مدل‌های مبتنی بر Convolutional Neural Network (CNN) با مدل‌های Transformer است. مدل‌های CNN سال‌ها هسته اصلی DLSS را تشکیل می‌دادند، اما معماری Transformer توانایی بیشتری در تحلیل ارتباط میان بخش‌های مختلف تصویر و اطلاعات زمانی دارد. این موضوع باعث می‌شود جزئیات ریز بهتر حفظ شوند، لبه‌ها دقیق‌تر بازسازی شوند و پایداری تصویر در صحنه‌های متحرک افزایش پیدا کند.

به لطف این تغییر، قابلیت‌هایی مانند Super Resolution، Ray Reconstruction و DLAA نیز کیفیت بالاتری نسبت به گذشته ارائه می‌کنند. کاهش Ghosting، حفظ بهتر بافت‌های ظریف، نمایش دقیق‌تر نوشته‌ها و بهبود بازسازی اجسام متحرک، از جمله مهم‌ترین دستاوردهای استفاده از مدل‌های Transformer در DLSS 4 هستند.

البته قابلیت Multi Frame Generation تنها روی کارت‌های گرافیک سری GeForce RTX 50 در دسترس است؛ زیرا برای تولید هم‌زمان چندین فریم، به نسل جدید هسته های Tensor و معماری Blackwell نیاز دارد. با این حال، بسیاری از بهبودهای مربوط به مدل Transformer در فناوری‌هایی مانند Super Resolution و Ray Reconstruction برای برخی کارت‌های گرافیک قدیمی‌تر RTX نیز از طریق به‌روزرسانی درایورها و بازی‌های پشتیبانی‌شده قابل استفاده هستند.

با معرفی DLSS 4، انویدیا نشان داد که آینده گرافیک بازی‌های ویدیویی بیش از هر زمان دیگری به هوش مصنوعی وابسته خواهد بود. این فناوری دیگر تنها یک ابزار برای افزایش نرخ فریم نیست، بلکه به مجموعه‌ای از راهکارهای مبتنی بر هوش مصنوعی تبدیل شده است که در تمام مراحل تولید تصویر، از بازسازی رزولوشن گرفته تا نورپردازی و حتی تولید فریم‌های جدید، نقش ایفا می‌کنند.

فناوری DLSS چگونه کار می‌کند؟

اگرچه از بیرون، فعال کردن DLSS تنها با انتخاب یک گزینه در تنظیمات گرافیکی بازی انجام می‌شود، اما در پشت صحنه مجموعه‌ای از پردازش‌های پیچیده در حال اجرا هستند. برخلاف تصور رایج، DLSS صرفاً تصویر را بزرگ‌تر نمی‌کند، بلکه با ترکیب داده‌های مختلف و استفاده از هوش مصنوعی، تلاش می‌کند تصویری تولید کند که تا حد امکان به رزولوشن Native نزدیک باشد.

فرآیند کار DLSS از موتور بازی آغاز می‌شود. به‌جای آنکه صحنه مستقیماً در رزولوشن نهایی، مانند 4K، رندر شود، ابتدا بازی در رزولوشنی پایین‌تر پردازش می‌شود. این کار حجم محاسباتی موردنیاز را به میزان قابل توجهی کاهش می‌دهد و باعث می‌شود کارت گرافیک بتواند فریم‌های بیشتری تولید کند.

اما تصویر رندر شده در این مرحله هنوز برای نمایش مناسب نیست. به همین دلیل، موتور بازی اطلاعات کمکی مختلفی را نیز در اختیار DLSS قرار می‌دهد. یکی از مهم‌ترین این داده‌ها Motion Vectors است که مشخص می‌کند هر پیکسل نسبت به فریم قبل چه مقدار و در چه جهتی حرکت کرده است. علاوه بر آن، Depth Buffer فاصله اجسام از دوربین را مشخص می‌کند و در نسخه‌های جدیدتر، اطلاعات Optical Flow Accelerator نیز برای تشخیص دقیق‌تر حرکت اجسام مستقل از موتور بازی مورد استفاده قرار می‌گیرد.

پس از جمع‌آوری این اطلاعات، داده‌ها وارد هسته های Tensor می‌شوند. این هسته‌های اختصاصی، مدل هوش مصنوعی DLSS را اجرا می‌کنند؛ مدلی که با تحلیل فریم فعلی، اطلاعات زمانی، داده‌های حرکتی و الگوهای آموخته‌شده، تلاش می‌کند جزئیاتی را که در رزولوشن پایین‌تر وجود ندارند، بازسازی کند. در نسل‌های جدید DLSS، استفاده از مدل‌های مبتنی بر Transformer باعث شده این بازسازی با دقت بیشتری انجام شود و پایداری تصویر نیز افزایش یابد.

در صورتی که قابلیت Frame Generation نیز فعال باشد، پس از پایان مرحله Super Resolution، یک مرحله دیگر به این زنجیره اضافه می‌شود. در این مرحله، الگوریتم با استفاده از اطلاعات فریم‌های متوالی و داده‌های Optical Flow، یک یا چند فریم جدید تولید می‌کند تا نرخ نمایش تصویر بیش از پیش افزایش یابد.

در نهایت، نتیجه تمام این پردازش‌ها تصویری است که با وجود رندر شدن در رزولوشنی پایین‌تر، از نظر کیفیت بسیار نزدیک به رزولوشن Native است و در عین حال، فشار کمتری به پردازنده گرافیکی وارد می‌کند. همین ترکیب هوش مصنوعی، داده‌های زمانی و سخت‌افزار اختصاصی، مهم‌ترین عاملی است که DLSS را از بسیاری از فناوری‌های Upscaling دیگر متمایز می‌کند.

هسته های Tensor چه هستند و چه نقشی در DLSS دارند؟

یکی از مهم‌ترین تفاوت‌های DLSS با بسیاری از فناوری‌های Upscaling، وابستگی آن به سخت‌افزار اختصاصی است. در حالی که برخی فناوری‌ها تنها با استفاده از توان پردازشی معمول پردازنده گرافیکی کار می‌کنند، DLSS برای اجرای مدل‌های هوش مصنوعی به واحدهایی به نام هسته های Tensor متکی است؛ هسته‌هایی که از زمان معرفی معماری Turing به یکی از ویژگی‌های اصلی کارت‌های گرافیک سری GeForce RTX تبدیل شده‌اند.

برخلاف هسته های CUDA که وظیفه اصلی آن‌ها پردازش عملیات گرافیکی و محاسبات عمومی است، هسته های Tensor برای انجام محاسبات ماتریسی بسیار سنگین طراحی شده‌اند؛ همان نوع محاسباتی که در شبکه‌های عصبی و مدل‌های هوش مصنوعی به‌طور گسترده مورد استفاده قرار می‌گیرد. این هسته‌ها می‌توانند میلیون‌ها عملیات مرتبط با هوش مصنوعی را به‌صورت هم‌زمان و با سرعت بسیار بالا انجام دهند؛ کاری که اگر تنها بر عهده هسته های CUDA باشد، زمان و منابع پردازشی بسیار بیشتری نیاز خواهد داشت.

در فناوری DLSS، هسته های Tensor مدل هوش مصنوعی آموزش‌دیده توسط انویدیا را اجرا می‌کنند. این مدل با تحلیل فریم فعلی، اطلاعات زمانی، داده‌های حرکتی و سایر اطلاعات کمکی، تصویری با کیفیت بالاتر تولید می‌کند. در نسخه‌های جدیدتر DLSS، همین هسته‌ها وظیفه اجرای مدل‌های مبتنی بر Transformer را نیز بر عهده دارند؛ مدل‌هایی که نسبت به نسل‌های قبل، توانایی بیشتری در بازسازی جزئیات و حفظ پایداری تصویر دارند.

نقش هسته های Tensor تنها به Super Resolution محدود نمی‌شود. قابلیت‌هایی مانند Ray Reconstruction، DLAA و بخش مهمی از پردازش‌های مربوط به Frame Generation نیز برای اجرای مدل‌های هوش مصنوعی خود از این هسته‌ها بهره می‌برند. به همین دلیل، هرچه نسل هسته های Tensor جدیدتر باشد، توانایی کارت گرافیک در اجرای قابلیت‌های پیشرفته DLSS نیز افزایش پیدا می‌کند.

همین وابستگی به هسته های Tensor، یکی از مهم‌ترین تفاوت‌های DLSS با فناوری‌هایی مانند FSR محسوب می‌شود. از آنجا که FSR بر پایه سخت‌افزار اختصاصی طراحی نشده است، روی طیف گسترده‌ای از کارت‌های گرافیک قابل اجراست. در مقابل، DLSS تنها روی کارت‌های گرافیک سری GeForce RTX در دسترس است؛ محدودیتی که در نگاه اول یک نقطه ضعف به نظر می‌رسد، اما به انویدیا اجازه داده است الگوریتم‌های هوش مصنوعی بسیار پیچیده‌تری را توسعه دهد و سطح بالاتری از کیفیت تصویر را ارائه کند.

به بیان ساده، اگر هوش مصنوعی را مغز فناوری DLSS در نظر بگیریم، هسته های Tensor نیروی پردازشی هستند که این مغز را به حرکت درمی‌آورند. بدون وجود این هسته‌ها، اجرای بسیاری از قابلیت‌های پیشرفته DLSS با سرعت و کیفیت کنونی امکان‌پذیر نبود.

مزایا و محدودیت‌های DLSS

پس از گذشت چندین نسل از معرفی DLSS، این فناوری به یکی از مهم‌ترین قابلیت‌های کارت‌های گرافیک انویدیا تبدیل شده است. پیشرفت مداوم نسخه‌های مختلف باعث شده بسیاری از ضعف‌های اولیه برطرف شوند و امروزه DLSS در بسیاری از بازی‌ها بتواند تعادل بسیار خوبی میان کیفیت تصویر و عملکرد ایجاد کند. با این حال، مانند هر فناوری دیگری، DLSS نیز در کنار نقاط قوت خود، محدودیت‌هایی دارد که باید هنگام استفاده از آن در نظر گرفته شوند.

• مزایای DLSS

افزایش چشمگیر نرخ فریم: مهم‌ترین مزیت DLSS، افزایش عملکرد بدون نیاز به رندر کامل تصویر در رزولوشن نهایی است. این موضوع به کاربران اجازه می‌دهد بازی‌های سنگین را با نرخ فریم بالاتر و تنظیمات گرافیکی پیشرفته‌تر اجرا کنند.

کیفیت تصویر بسیار نزدیک به Native Resolution: نسخه‌های جدید DLSS، به‌ویژه از DLSS 2 به بعد، توانسته‌اند کیفیت تصویری ارائه دهند که در بسیاری از صحنه‌ها تفاوت آن با رزولوشن Native به‌سختی قابل تشخیص است. در برخی شرایط حتی به دلیل بازسازی بهتر لبه‌ها و کاهش Aliasing، خروجی DLSS از تصویر Native نیز پایدارتر به نظر می‌رسد.

بهره‌گیری از هوش مصنوعی: استفاده از مدل‌های هوش مصنوعی باعث شده DLSS بتواند جزئیات تصویر را با دقت بیشتری بازسازی کند و با هر نسل، کیفیت خروجی آن نیز بهبود یابد. مهاجرت به مدل‌های Transformer در DLSS 4 نیز گام مهم دیگری در همین مسیر محسوب می‌شود.

امکان استفاده بهتر از Ray Tracing و Path Tracing: بدون فناوری‌هایی مانند DLSS، اجرای بسیاری از بازی‌های مجهز به Ray Tracing یا Path Tracing در رزولوشن‌های بالا با نرخ فریم مناسب دشوار خواهد بود. DLSS این امکان را فراهم می‌کند که کاربران از این جلوه‌های گرافیکی پیشرفته بدون افت شدید عملکرد بهره‌مند شوند.

• محدودیت‌های DLSS

انحصار برای کارت‌های GeForce RTX: بزرگ‌ترین محدودیت DLSS این است که تنها روی کارت‌های گرافیک سری GeForce RTX قابل استفاده است. در نتیجه، کاربران کارت‌های گرافیک AMD یا Intel و حتی محصولات قدیمی‌تر سری GTX نمی‌توانند از این فناوری بهره ببرند.

وابستگی به پشتیبانی بازی‌ها: DLSS باید توسط توسعه‌دهندگان بازی پیاده‌سازی شود. بنابراین، حتی اگر کاربر یک کارت گرافیک RTX در اختیار داشته باشد، تنها در بازی‌هایی می‌تواند از این فناوری استفاده کند که به‌طور رسمی از آن پشتیبانی می‌کنند.

احتمال بروز خطاهای تصویری در برخی شرایط: اگرچه کیفیت DLSS نسبت به گذشته پیشرفت چشمگیری داشته است، اما در برخی بازی‌ها یا نسخه‌های اولیه پیاده‌سازی ممکن است مشکلاتی مانند Ghosting، Flickering یا ایجاد برخی Artifacts مشاهده شود. البته این موارد معمولاً با به‌روزرسانی بازی یا نسخه جدید DLSS تا حد زیادی برطرف می‌شوند.

Frame Generation جایگزین رندر واقعی نیست: قابلیت Frame Generation می‌تواند نرخ نمایش تصویر را به شکل محسوسی افزایش دهد، اما از آنجا که فریم‌های جدید توسط هوش مصنوعی تولید می‌شوند، این فناوری نمی‌تواند جایگزین افزایش واقعی توان پردازشی کارت گرافیک شود. همچنین در برخی سناریوها، به‌ویژه بازی‌های رقابتی، افزایش تأخیر ورودی می‌تواند تجربه کاربر را تحت تأثیر قرار دهد.

در مجموع، DLSS طی سال‌های اخیر ثابت کرده است که یکی از موفق‌ترین فناوری‌های گرافیکی مبتنی بر هوش مصنوعی به شمار می‌رود. اگرچه محدودیت‌هایی مانند وابستگی به سخت‌افزار اختصاصی و پشتیبانی بازی‌ها همچنان وجود دارند، اما پیشرفت مداوم این فناوری نشان می‌دهد که هوش مصنوعی به بخش جدایی‌ناپذیر آینده پردازش گرافیکی تبدیل شده است و نقش آن در نسل‌های بعدی کارت‌های گرافیک پررنگ‌تر از همیشه خواهد بود.