Нейронное сжатие текстур NVIDIA снижает использование видеопамяти более чем на 80%
NVIDIA уже демонстрировала свою технологию нейронного сжатия текстур (NTC), но она все еще находится в стадии разработки. С тех пор технология и ее преимущества в плане эффективности были более подробно описаны, и это довольно впечатляюще.
Высокодетализированная сцена виллы с трассировкой лучей, которая изначально требовала 6,5 ГБ памяти, уменьшается примерно на 80%, до всего лишь 670 МБ. Как демонстрирует NVIDIA, нейронное сжатие текстур может использоваться либо для значительного повышения качества, либо для снижения нагрузки на память или ресурсы графического процессора при сохранении того же уровня детализации.
Нейронное сжатие текстур с уменьшением объёма VRAM с 6,5 ГБ до 670 МБ
В современных рыночных условиях эффективное использование памяти становится все более важным. Даже при сжатии сцены до 670 МБ, технология NTC от NVIDIA демонстрирует заметное повышение качества по сравнению с другими методами сжатия текстур.
На изображении ниже показана сцена за обеденным столом, в верхней половине которой используются традиционные методы рендеринга (уменьшенные текстуры BCn), а в нижней — технология NTC. Как видите, нижняя часть изображения имеет гораздо больше деталей и выглядит более фотореалистично. И это ещё до применения других методов, таких как DLSS.
Сравнение классического и нейронного сжатия
Помимо улучшенного сжатия текстур, NTC также поддерживает многослойные нейронные материалы. Как и текстуры, физически точные материалы уже широко используются для имитации тонкого рассеивания света, отражений и других способов взаимодействия света с поверхностью. Полное нейронное рендеринг текстур и материалов также обеспечивает значительное повышение производительности и качества. Хотя в этих нейронных технологиях действительно используется «зевершение» при помощи ИИ, «генеративный» ИИ не применяется до тех пор, пока вы не перейдете на DLSS 5.
Варианты нейронного сжатия текстур
Таким образом, часть того, что делает DLSS 5 возможным, заключается не просто в наложении постобработки генеративного ИИ поверх существующих данных. Под поверхностью эти методы нейронного рендеринга также необходимы для сокращения использования памяти, что освобождает больше памяти для других задач. Разработчикам предстоит решить, как они хотят использовать и внедрять NTC. Особенно впечатляет прирост производительности, обеспечиваемый NTC (почти на 70% меньше времени рендеринга при той же степени детализации).
