Περιορισμοί στο NVIDIA DLSS λόγω των 'αργών' Tensor cores
Με τη σημερινή κυκλοφορία του Metro Exodus, αρκετά media έσπευσαν να δοκιμάσουν τα χαρακτηριστικά των NVIDIA GPUs στο game το οποίο υποστηρίζει τόσο DLSS όσο και real time ray tracing.
Το TechPowerUp στο performance review του παιχνιδιού εντόπισε ορισμένους περιορισμούς στην ενεργοποίηση του DLSS, που επιβεβαιώνουν πως οι Tensor cores στις νέες GPUs ενδέχεται να αποτελέσουν bottleneck στην ουρά επεξεργασίας. Πιο ειδικά, ανάλογα με την RTX GPU που βρίσκεται εγκατεστημένη στο σύστημα υπάρχουν ορισμένοι περιορισμοί που προκύπτουν από τις επιδόσεις των πυρήνων και παράλληλα από τις επιδόσεις των Tensor cores που θα πρέπει να δουλέψουν αρμονικά για να προσφέρουν υψηλότερες επιδόσεις με την ενεργοποίηση του DLSS.
Για να κατανοήσουμε ορισμένα θεμελιώδη στοιχεία της διαδικασίας, ανατρέχουμε στο επίσημο whitepaper της NVIDIA κατά το οποίο η εταιρία λέει πως σε σχέση με το TAA, το DLSS πραγματοποιεί τη 'μισή δουλειά' βελτιώνοντας τις επιδόσεις και διατηρώντας τη λεπτομέρεια στο οπτικό αποτέλεσμα. Η μέθοδος φυσικά χρησιμοποιεί τον αποκλειστικό Tensor core που σε αντιπαραβολή με τον βασικό πυρήνα, υστερεί σε αριθμό επεξεργαστών. Έτσι εάν η GPU μπορεί να παράξει πολλά frames ανά δευτερόλεπτο σε μια συγκεκριμένη ανάλυση, τότε ενδέχεται να υπάρξουν προβλήματα με την ενεργοποίηση στοιχείων όπως του DLSS το οποίο δε θα προλαβαίνει τη 'γρήγορη' GPU, ενώ το γεγονός ότι πρακτικά 'δεν ανήκει' στη βασική pipeline των γεγονότων που συμβαίνουν κατά το shading μπορεί να εντείνουν το πρόβλημα.
Για την καταπολέμηση αυτού του φαινομένου φαίνεται πως οι developers δημιουργούν κάποιες ειδικές κατηγορίες καρτών γραφικών και αναλύσεων και μερικές φαίνονται ιδιαίτερα περιοριστικές δεδομένων των επιδόσεων των RTX καρτών της NVIDIA. Για παράδειγμα στο Metro Exodus αλλά και στο Battlefield V δε μπορούμε να ενεργοποιήσουμε το DLSS στην ανάλυση των 2560x1440 pixels σε καμία GPU εάν δεν ενεργοποιήσουμε πρώτα το real time ray tracing, το οποίο θα μετριάσει κατά κάποιο τρόπο τις επιδόσεις.
Βρείτε μας στα Social: 
Metro Exodus , Tensor Core , DLSS , NVIDIA GPUs , performance review
stavros
Το πιο ανησυχητικό είναι ότι χάνει ποιοτικά σε λεπτομέρειες και στο βάθος.
π.χ. το κάγκελο, η κορυφή του κτιρίου, η πινακίδα του αυτ/του ή τα σχοινιά της τέντας στο παρακάτω video.
Βέβαια είναι κάτι το οποίο κάποιες φορές δεν είναι ορατό ή και ενοχλητικό, αλλά το κάγκελο στο παρακάτω παράδειγμα μου έβγαλε το μάτι.
stavros
Και επίσημα
On 2/14/2019 at 1:44 PM, MetallicGR said:Έτσι εάν η GPU μπορεί να παράξει πολλά frames ανά δευτερόλεπτο σε μια συγκεκριμένη ανάλυση, τότε ενδέχεται να υπάρξουν προβλήματα με την ενεργοποίηση στοιχείων όπως του DLSS το οποίο δε θα προλαβαίνει τη 'γρήγορη' GPU, ενώ το γεγονός ότι πρακτικά 'δεν ανήκει' στη βασική pipeline των γεγονότων που συμβαίνουν κατά το shading μπορεί να εντείνουν το πρόβλημα.
DLSS is designed to boost frame rates at high GPU workloads (i.e. when your framerate is low and your GPU is working to its full capacity without bottlenecks or other limitations). If your game is already running at high frame rates, your GPU’s frame rendering time may be shorter than the DLSS execution time. In this case, DLSS is not available because it would not improve your framerate. However, if your game is heavily utilizing the GPU (e.g. FPS is below ~60), DLSS provides an optimal performance boost. You can crank up your settings to maximize your gains. (Note: 60 FPS is an approximation -- the exact number varies by game and what graphics settings are enabled).
When your GPU’s frame rendering time is shorter than what it takes to execute the DLSS model, we don’t enable DLSS.
The supercomputer trains the DLSS model to recognize aliased inputs and generate high quality anti-aliased images that match the “perfect frame” as closely as possible. We then repeat the process, but this time we train the model to generate additional pixels rather than applying AA.
We have seen the screenshots and are listening to the community’s feedback about DLSS at lower resolutions, and are focusing on it as a top priority. We are adding more training data and some new techniques to improve quality, and will continue to train the deep neural network so that it improves over time.
https://www.nvidia.com/en-us/geforce/news/nvidia-dlss-your-questions-answered/
MetallicGR
Κρίμα που τους 'πρόλαβε' η κοινότητα.
