Supermuestreo de aprendizaje profundo

La primera iteración de DLSS es un escalador de imágenes predominantemente espacial con dos etapas, ambas basadas en redes neuronales autoencoder convolucionales . ^{[ 30 ]} El primer paso es una red de mejora de imagen que utiliza el fotograma actual y los vectores de movimiento para realizar la mejora de bordes y el suavizado espacial . La segunda etapa es un paso de escalado de imagen que utiliza el único fotograma original de baja resolución para escalar la imagen a la resolución de salida deseada. El uso de un solo fotograma para el escalado implica que la propia red neuronal debe generar una gran cantidad de información nueva para producir la salida de alta resolución, lo que puede resultar en ligeras alucinaciones, como hojas que difieren en estilo del contenido original. ^{[ 13 ]}

Las redes neuronales se entrenan para cada juego generando un "fotograma perfecto" mediante supermuestreo tradicional a 64 muestras por píxel, así como los vectores de movimiento para cada fotograma. Los datos recopilados deben ser lo más completos posible, incluyendo tantos niveles, horas del día, configuraciones gráficas, resoluciones, etc. como sea posible. Estos datos también se aumentan mediante técnicas comunes como rotaciones, cambios de color y ruido aleatorio para ayudar a generalizar los datos de prueba. El entrenamiento se realiza en la supercomputadora Saturn V de Nvidia. ^{[ 14 ] [ 31 ]}

Esta primera iteración recibió una respuesta mixta, con muchos criticando la apariencia a menudo suave y los artefactos junto con fallas en ciertas situaciones; ^{[ 32 ] [ 6 ] [ 5 ]} probablemente un efecto secundario de los datos limitados al usar solo una entrada de fotograma único a las redes neuronales que no pudieron ser entrenadas para funcionar de manera óptima en todos los escenarios y casos límite . ^{[ 13 ] [ 14 ]} Nvidia también demostró la capacidad de las redes de autoencoder para aprender la capacidad de recrear profundidad de campo y desenfoque de movimiento , ^{[ 14 ]} aunque esta funcionalidad nunca se ha incluido en un producto lanzado públicamente.

DLSS 2 es una implementación de sobremuestreo con suavizado temporal (TAAU), que utiliza datos de fotogramas anteriores de forma extensiva mediante fluctuación subpíxel para resolver detalles finos y reducir el aliasing. Los datos que recopila DLSS 2 incluyen: la entrada sin procesar de baja resolución, vectores de movimiento , búferes de profundidad e información de exposición /brillo. ^{[ 13 ]} También puede utilizarse como una implementación TAA más simple, donde la imagen se renderiza al 100 % de resolución, en lugar de ser sobremuestreada por DLSS; Nvidia denomina a esto DLAA (Deep Learning Anti-Aliasing). ^{[ 33 ]}

TAA(U) se utiliza en muchos videojuegos y motores de juegos modernos ; ^{[ 34 ]} sin embargo, todas las implementaciones anteriores han utilizado algún tipo de heurística escrita manualmente para prevenir artefactos temporales como el efecto fantasma y el parpadeo . Un ejemplo de esto es el recorte de vecindario, que impide de manera forzada que las muestras recopiladas en fotogramas anteriores se desvíen demasiado en comparación con los píxeles cercanos en fotogramas más recientes. Esto ayuda a identificar y corregir muchos artefactos temporales, pero eliminar deliberadamente los detalles finos de esta manera es análogo a aplicar un filtro de desenfoque , y por lo tanto la imagen final puede aparecer borrosa cuando se utiliza este método. ^{[ 13 ]}

DLSS 2 utiliza una red neuronal autoencoder convolucional ^{[ 32 ]} entrenada para identificar y corregir artefactos temporales, en lugar de heurísticas programadas manualmente como se mencionó anteriormente. Gracias a esto, DLSS 2 generalmente puede resolver mejor los detalles que otras implementaciones de TAA y TAAU, a la vez que elimina la mayoría de los artefactos temporales. Por esta razón, DLSS 2 a veces puede producir una imagen más nítida que la renderización a resoluciones más altas, o incluso nativas, utilizando TAA tradicional. Sin embargo, ninguna solución temporal es perfecta, y los artefactos (en particular el efecto fantasma) aún son visibles en algunos escenarios al usar DLSS 2.

Debido a que los artefactos temporales ocurren en la mayoría de los estilos artísticos y entornos de manera similar, la red neuronal que impulsa DLSS 2 no necesita ser reentrenada al usarse en diferentes juegos. A pesar de esto, Nvidia suele lanzar nuevas revisiones menores de DLSS 2 con nuevos títulos, ^{[ 35 ]} lo que podría sugerir que se realizan algunas optimizaciones menores de entrenamiento a medida que se lanzan los juegos, aunque Nvidia no proporciona registros de cambios para estas revisiones menores que lo confirmen. Los principales avances en comparación con DLSS 1 incluyen: una retención de detalles significativamente mejorada, una red neuronal generalizada que no necesita ser reentrenada para cada juego y una sobrecarga aproximadamente dos veces menor (aproximadamente 1-2  ms frente a aproximadamente 2-4  ms). ^{[ 13 ]}

Cabe señalar también que las formas de TAAU como DLSS 2 no son escaladores ascendentes en el mismo sentido que técnicas como ESRGAN o DLSS 1, que intentan crear información nueva a partir de una fuente de baja resolución; en cambio, TAAU trabaja para recuperar datos de fotogramas anteriores, en lugar de crear datos nuevos. En la práctica, esto significa que las texturas de baja resolución en los juegos seguirán apareciendo de baja resolución al usar las técnicas TAAU actuales. Por eso, Nvidia recomienda a los desarrolladores de juegos que utilicen texturas de mayor resolución de la que usarían normalmente para una resolución de renderizado determinada, aplicando un sesgo de mipmap cuando DLSS 2 está habilitado. ^{[ 13 ]}

DLSS 3.0 mejora la calidad de imagen de DLSS 2 e introduce una nueva función de interpolación de movimiento llamada Generación de Fotogramas. El algoritmo de Generación de Fotogramas de DLSS toma dos fotogramas renderizados del pipeline de renderizado y genera un nuevo fotograma que realiza una transición suave entre ellos. Por cada fotograma renderizado, se genera un fotograma adicional. ^{[ 2 ]} DLSS 3.0 utiliza un acelerador de flujo óptico (OFA) de nueva generación incluido en la arquitectura Ada Lovelace de las GPU GeForce RTX serie 40 y, por lo tanto, es exclusivo de ellas. Se dice que el nuevo OFA es más rápido y preciso que el ya disponible en las GPU Turing y Ampere RTX anteriores. ^{[ 36 ]}

DLSS 3.5 añade la reconstrucción de rayos, reemplazando múltiples algoritmos de eliminación de ruido con un único modelo de IA entrenado con cinco veces más datos que DLSS 3. La reconstrucción de rayos está disponible en todas las GPU RTX y se implementó inicialmente en juegos con trazado de rayos (también conocido como "trazado de rayos completo"), incluyendo el DLC Phantom Liberty de Cyberpunk 2077 , Portal con RTX y Alan Wake 2. ^{[ 28 ] [ 27 ]}

La cuarta generación de DLSS se presentó junto con la serie GeForce RTX 50. El escalado DLSS 4 utiliza un nuevo modelo basado en Vision Transformer para mejorar la calidad de la imagen con reducción del efecto fantasma y mayor estabilidad de la imagen en movimiento en comparación con el modelo anterior de red neuronal convolucional (CNN). ^{[ 37 ]} DLSS 4 permite generar e interpolar un mayor número de fotogramas a partir de un único fotograma renderizado tradicionalmente. Esta forma de generación de fotogramas, denominada Generación de Multifotogramas, es exclusiva de la serie GeForce RTX 50, mientras que la serie GeForce RTX 40 se limita a un fotograma interpolado por fotograma renderizado tradicionalmente. Nvidia afirma que el modelo de Generación de Fotogramas DLSS 4x utiliza un 30 % menos de memoria de vídeo, con el ejemplo de Warhammer 40,000: Darktide, que utiliza 400 MB menos de memoria a resolución 4K con la Generación de Fotogramas habilitada. ^{[ 38 ]} Nvidia afirma que 75 juegos integrarán DLSS 4 Multi Frame Generation en su lanzamiento, incluyendo Alan Wake 2 , Cyberpunk 2077 , Indiana Jones and the Great Circle y Star Wars Outlaws . ^{[ 39 ]}

DLSS 4.5 introduce la Generación Dinámica de Múltiples Fotogramas, que puede generar dinámicamente hasta 6 veces la cantidad de fotogramas para las GPU GeForce RTX de la serie 50, y actualiza el modelo de transformador utilizado para el escalado a un modelo de segunda generación para una mejor estabilidad temporal, efecto fantasma y suavizado de bordes. ^{[ 40 ]}

En las series RTX 30 y anteriores, DLSS 4.5 es aproximadamente 5 veces más exigente en términos de computación porque "Nvidia está aprovechando la precisión FP8 en las tarjetas de las series RTX 40 y RTX 50 para DLSS 4.5 para disminuir el impacto en el rendimiento de las tarjetas más nuevas". ^{[ 41 ]}

DLSS 5, anunciado en GTC 2026, utiliza un modelo de IA basado en renderizado neuronal para mejorar la iluminación y las superficies de los materiales en tiempo real con una resolución de hasta 4K. Nvidia describió la tecnología como una que conserva el estilo artístico previsto por el desarrollador, al tiempo que utiliza datos de color y vectores de movimiento para generar efectos de iluminación y materiales temporalmente estables. ^{[ 22 ] [ 42 ]}

DLSS requiere y aplica su propio método de suavizado de bordes . Por lo tanto, dependiendo del juego y la configuración de calidad utilizada, el uso de DLSS puede mejorar la calidad de la imagen incluso por encima de la renderización de resolución nativa. ^{[ 43 ]} Funciona con principios similares a TAA . Al igual que TAA, utiliza información de fotogramas anteriores para producir el fotograma actual. A diferencia de TAA, DLSS no muestrea cada píxel en cada fotograma. En cambio, muestrea diferentes píxeles en diferentes fotogramas y utiliza los píxeles muestreados en fotogramas anteriores para rellenar los píxeles no muestreados en el fotograma actual. DLSS utiliza aprendizaje automático para combinar muestras en el fotograma actual y fotogramas anteriores, y es posible gracias a los núcleos tensoriales disponibles. ^{[ 13 ]} Nvidia también ofrece Deep Learning Anti-Aliasing (DLAA), que proporciona el mismo suavizado de bordes impulsado por IA que utiliza DLSS, pero sin ningún escalado ascendente o descendente. ^{[ 33 ]}

Los usuarios pueden reemplazar manualmente las DLL en los juegos para admitir una versión más reciente de DLSS. DLSS Swapper, una utilidad de código abierto , puede hacerlo automáticamente para todos los juegos instalados. ^{[ 49 ]} Reemplazar los archivos DLL no puede agregar compatibilidad con DLSS ni funciones a los juegos que no las implementan, aunque algunos mods pueden agregar compatibilidad con la generación de fotogramas. ^{[ 50 ]} También es posible anular la versión de DLSS sin tocar los archivos del juego a través de la aplicación de Nvidia . ^{[ 51 ]}

Aunque la aplicación de Nvidia no especifica la versión de DLSS utilizada en cada preajuste disponible, la siguiente tabla resume esta información. ^{[ 52 ] [ 53 ]}

Tras su anuncio en GTC 2026, DLSS 5 recibió una fuerte reacción negativa tanto de jugadores como de desarrolladores de juegos en las redes sociales. ^{[ 61 ] [ 62 ]} Los críticos argumentaron que el enfoque de renderizado neuronal de la tecnología alteraba la dirección artística de los juegos de maneras no previstas por sus desarrolladores, y algunos compararon su resultado con la chapuza de la IA . ^{[ 61 ] [ 63 ] [ 64 ]}

El manejo de los rostros humanos por parte de la tecnología generó críticas particulares. The Verge destacó un ejemplo de EA Sports FC 26 en el que los rasgos faciales del capitán del Liverpool , Virgil van Dijk, se distorsionaban notablemente debido a la tecnología, y comparó el efecto general con el suavizado de movimiento en los televisores. ^{[ 62 ]} IGN caracterizó a DLSS 5 como un menoscabo del arte del diseño de videojuegos, ^{[ 63 ]} y Engadget argumentó que la reacción negativa de los jugadores estaba justificada. ^{[ 64 ]}