NVIDIA представила технологию сжатия текстур на основе искусственного интеллекта, которая уменьшает количество VRAM, используемого до 95%
Nvidia продолжает разработать новую технологию сжатия текстуры, основанную на сжатии нейронной текстуры нейронной сети (NTC), которая может значительно снизить потребление видео воспоминаний (VRAM) в играх и других графических приложениях. Хотя технология все еще находится в бета -версии, эксперименты показали впечатляющие результаты, согласно Techspot.
Канал YouTube Compusemble проверяет бета-версию технологии. Демонстрация NTC включает в себя три режима рендеринга: эталонный материал (без сжатия), NTC, транскодированный в BCN (сжатие зарядки) и вывод на образец (декомпрессия при необходимости). Тесты показывают, что NTC может значительно уменьшить использование VRAM и дискового пространства, но может повлиять на скорость кадров.
Тесты проводились на видеокарте NVIDIA GeForce RTX 4090 с DLSS и активированной TAA. При 1440 пикселях с DLSS, режим NTC Transcoded to BCN имеет снижение использования памяти на 64% (с 272 МБ до 98 МБ), в то время как вывод NTC в режиме выборки уменьшил память, используемую до 11,37 МБ, что составляет 95,8% для ее улучшения, чтобы улучшить его память. версия. Тем не менее, использование DLSS и более высоких возможностей разделения ставят дополнительное напряжение на тензорные ядра GeForce RTX 4090, которые в некоторой степени влияют на производительность.
Nvidia активно поощряет технологии рендеринга на основе искусственного интеллекта (ИИ), включая NTC и другие решения RTX, поскольку эта область важна для повышения эффективности VRAM и создания более реалистичной графики, которая особенно подходит для современных игр с высоким уровнем детализации.
Nvidia также отмечает важность использования векторных операций в современном рендеринговом конвейере. Как объясняет Microsoft, эти векторы ускоряют задачи AI, оптимизируя векторные операции, что не только улучшает обучение и настройку моделей ИИ, но также помогает повысить эффективность рендеринга в играх.
