NVIDIA le saca bastante ventaja a AMD en el terreno del escalado de imagen porque lo basa principalmente en una red neuronal entrenada para que mejore el detalle de las imágenes durante el escalado, lo cual lleva a que intuya detalles que no estaban en la imagen original por falta de resolución. Y eso lo llevó al trazado de rayos creando un filtro de reconstrucción de rayos para aumentar el rendimiento en su aplicación, porque es una tecnología que impacta mucho al rendimiento. Así que AMD, mientras realmente saca un escalado que haga uso de unidades específicas, está aplicando la IA para optimizar los algoritmos, sin que estos sean por una red neuronal. Y el siguiente paso es la reconstrucción de rayos para FSR, en la cual ya está trabajando.

Lo ha mostrado en su blog de GPUOpen, que es donde recoge sus bibliotecas de código abierto como FSR. El problema es que habla de usar una red neuronal para ello, así que es previsible que AMD finalmente le dé uso a los aceleradores de IA de las RX 7000, todavía sin usar, o que integre nuevas unidades de IA en las RX 8000.

La compañía menciona aplicar el método Monte Carlo para solucionar el trazado de caminos, que es básicamente aplicar aleatoriedad para obtener una solución aproximada porque obtener una solución precisa, determinista, sería computacionalmente imposible en tiempo real. El trazado de caminos es una versión avanzada del trazado de rayos y que NVIDIA tiene desde hace tiempo implementada en las RTX. El problema de AMD es que el trazado de caminos es mucho más complejo y computacionalmente exigente, así que el método Monte Carlo le vendría bien para reducir su impacto.

El problema de usar un método con aleatoriedad en la creación de imágenes es que va a producir más ruido en ellas del debido. Así que también habla de un filtro de reducción de ruido, o quitarruido por abreviar, basado en una red neuronal profunda para decidir cómo se debe aplicar el algoritmo quitarruido de turno. Pero también indica que lo ideal es aplicar el escalado con trazado de caminos y el filtro mediante una sola red neuronal, lo cual ahorraría aún más tiempo y es en realidad lo nuclear de esta investigación de AMD. Básicamente porque para el proceso de limpieza de las imágenes se suelen usar varios filtros, no solo uno, para conseguir la mejor calidad de imagen posible.

neural_supersampling_and_denoising_for_real-time_path_tracing-html-_images-picture3.jpg.webp
neural_supersampling_and_denoising_for_real-time_path_tracing-html-_images-picture4.jpg.webp

Vía: WCCFTech.