Прорыв в нейросетевом рендеринге
Лаборатория Apex Compute анонсировала Apex Neural Rendering (ANR) — систему, претендующую на звание нового стандарта в области нейросетевого апскейлинга. Решение включает три ключевых модуля: генерацию кадров (ANR FG), супер-разрешение (ANR SR) и реконструкцию лучей для трассировки (ANR RR). По заявлению разработчиков, ANR не только сопоставим с NVIDIA DLSS, но и превосходит его в ряде метрик, предлагая кроссплатформенную совместимость, недоступную для проприетарных решений NVIDIA.
Сравнение производительности и эффективности
Ключевые тесты проводились на флагманской видеокарте NVIDIA GeForce RTX 5090 в разрешении 4K. Результаты демонстрируют значительное преимущество ANR в области задержки (latency) и потребления видеопамяти. Нейросетевые веса ANR FG занимают всего 0.17 МБ, что делает решение крайне легковесным по сравнению с конкурентами.
| Параметр | Apex Neural Rendering (ANR FG) | NVIDIA DLSS Frame Generation |
|---|---|---|
| Задержка на 1 кадр (2x) | 1.01 мс | 1.26 мс |
| Потребление GPU памяти | 214 МБ | 562 МБ |
| Размер весов модели | 0.17 МБ | Не указано (значительно больше) |
Универсальная совместимость
В отличие от DLSS, привязанного к архитектуре NVIDIA, ANR работает через инжектор OptiScaler, который совместим с играми, поддерживающими DLSS. Поддерживается широкий спектр оборудования:
- NVIDIA: GeForce RTX 20-й серии и новее, а также GTX 16-й серии.
- AMD: Radeon RX 5000 и новее, включая Steam Deck.
- Intel: Arc A-series и B-series.
- Apple: Чипы M1 и новее (macOS 26+).
Система также работает под управлением Windows 10/11, Linux, SteamOS (Proton) и macOS.
Качество изображения и будущее проекта
На примерах из игр Hogwarts Legacy и The Last of Us Part II Remastered отмечается, что ANR обеспечивает визуальную верность, сопоставимую или превосходящую DLSS, особенно в сложных сценах с трассировкой лучей. Проект находится на стадии бета-тестирования, но Apex Compute планирует открыть исходный код фреймворка на GitHub, что позволит сообществу моддеров и энтузиастов участвовать в его развитии и оптимизации.
Источник: TechPowerUp ↗
