Průvodce světem technologií NVIDIA: Co je DLAA aneb jak na kvalitní anti-aliasing s AI
Máte nenáročnou hru, ve které se vaše GeForce jen tak poflakuje? Pak můžete vyzkoušet DLAA – Deep Learning Anti-Aliasing. S ním lze přebytečný výkon grafiky přetavit v kvalitnější vyhlazování a stabilnější obraz ve hrách.
Mezi hráči je ještě stále řada lidí s pomalejšími 60–75Hz monitory s nižším rozlišením. Při podobném rozlišení mohou GeForce RTX i bez DLSS v mnoha hrách nabídnout vyšší výkon, než se dá na takovém monitoru zobrazit. V mnoha hrách pro jednoho hráče, kde není maximální snímková frekvence tak kritická jako u stříleček pro více hráčů, lze přebytečný výkon karty využít k dosažení vyšší kvality obrazu.
U her s podporou DLAA můžete výkon GeForce RTX zužitkovat pro dosažení vyšší stability obrazu a kvalitnějšího vyhlazování hran. DLAA je jakousi nadstavbou DLSS. Karty NVIDIA u něj využívají stejné techniky super samplingu jako u DLSS, tedy sbírání vyššího počtu vzorků z více snímků a následné rekonstrukce kvalitnějšího snímku s využitím AI.
Rozdíl je v tom, že zatímco DLSS využívá pro dosažení vyššího výkonu rendering v nižším rozlišení, DLAA by mělo vycházet z rozlišení nativního. Hra renderuje obraz s rozlišením 1:1 a vyšší počet vzorků, který nasbírá skládáním více snímků, využívá DLAA pro rendering obrazu s vyššími detaily, kvalitněji vyhlazenými hranami, méně rušivým moaré a hlavně mnohem lepší stabilitou napříč snímky.
Abyste měli představu, o jaké stabilitě je řeč, ukážu vám jeden příklad – jde o výřez z obrazovky ve hře RoboCop: Rogue City. Nemusíte se ani hýbat, abyste někdy u problematických věcí, jako bývají třeba pletiva či mříže, viděli podobná zvěrstva. Herní enginy si s tím neumějí vždy poradit nejlépe. I když to většinou nebývá tak zlé jako na ukázce níže, i ona je ze života a na podobné extrémy ve hrách občas narazíte.
RoboCop: Rogue City – nestabilita obrazu v nativním rozlišení s vyhlazováním Epic
I když jsou dané objekty menší než pixel, stačí, aby je při vzorkování ve virtuálním světě herní engine jednou trefil, a jindy zase minul. V jednom snímku narazí na mříž, v jiném zase na vzduch, a na průšvih je zaděláno. Nemusíte se ani hnout, a obraz pak bude blikat jako šílený – navzdory tomu, že k poblikávání pixelů v zásadě není důvod.
DLAA si s něčím podobným poradí podstatně lépe, mimo jiné i díky tomu, že sbírá data z více snímků. Z pletiva udělá zase pletivo, a i když se vzorek mezi snímky na úrovni subpixelů posune, DLAA vzorky z jednotlivých snímků „zprůměruje“ a obraz vyhladí i v čase. Ze zuřivého blíkání je pak jen stěží viditelný šum.
RoboCop: Rogue City – obraz vyhlazený pomocí DLAA
Jak to funguje? Pokud vás minul původní článek o DLSS, tak si jej proběhněte. V něm je detailněji, byť zjednodušeně, vysvětleno, jak to funguje. Už jen připomenu, že DLSS pro rekonstrukci obrazu v nativním rozlišení využívá sbírání vzorků z více snímků. I když je tedy zdroj třeba ve čtvrtinovém rozlišení výchozím rozlišení (místo čtyř pixelů je ve snímku jen jeden), může DLSS nasbírat stejný, nebo z více snímků i vyšší počet vzorků.
Nativní rozlišení a DLSS vycházející z nižšího rozlišení
Neuronová síť to pak s využitím dalších dat ze hry celé „remixuje“, doladí nedostatky, obraz přeleští a ve vyšším rozlišení jej pošle na obrazovku. To už jsme řešili minule.
U DLAA je celý proces obdobný, rozdíl je v tom, že jako zdroj nemá obrázek v nižším rozlišení, ale má vycházet z nativního. Třeba na čtyřech snímcích tedy nasbírá těch vzorků čtyřikrát víc než nativní rozlišení na jediném, a díky tomu dokáže mnohem lépe vyhodnotit, jak by měl výsledný pixel vypadat.
Nativní rozlišení a DLAA se vzorkováním napříč snímky
Občas zapíchne vzorek přímo do objektu, občas uplně mimo, občas někde na pomezí, a výsledná hodnota pak reprezentuje barvu pixelu lépe, než když máte ten vzorek pouze jeden.
Velká výhoda je v tom, že celé vyhlazování není o mnoho náročnější než jiné výpočetně „levné“ techniky, ale kvalita je obvykle nesrovnatelně vyšší. Na ni se podíváme na další straně.
Sponzorovaný redakční článek
Autorem článku je redaktor našeho webu. Text reprezentuje názory autora, vychází z našich nezávislých testů a obsahuje výsledky našich měření. Mohl vzniknout díky finanční podpoře partnera. Děkujeme!
Komentáře naleznete na konci poslední kapitoly.
