Мы используем файлы cookie и сервисы аналитики. Ознакомьтесь с нашей Политикой сбора данных и выберите, какие типы cookie вы разрешаете:
cookie_policy_accepted — хранит ваш выбор cookiePHPSESSID — сессияkey3 — запоминание входа_ix — единая сессия входа на ixbt.comadminuserskey — вход администратораtopic_add_autosave — автосохранение черновикаls_photoset_target_tmp — временные данные загрузки фотоgeo_country — определяет ваш регион_ga, _ga_*, _ym_uid, _ym_d, _ym_* — статистика посещений__gads, __gpi — таргетирование объявленийВы всегда можете изменить свои предпочтения в настройках.
Зря они, что-ли, толкали закрытый код годами. Теперь это неоспоримая наценка на чипы.
Если глянуть на любое охлаждение в ноутбуке, то будет заметно что над ЦПУ и так пластина обычно вдвое больше, чем над ГПУ.
Отвести 130 Вт далеко не тривиальная задачка.
Но под процессор это как-то вряд-ли.)
Но Tadoritz выше привёл цитату, он бегает именно на общих блоках.
А называется этот блок Radeon Multimedia Engine, он отвечает за кодировку, декодировку и вывод видео на экран.
Напрямую не написано что он умеет в аппаратный апскейл, почему я так решил?
Дело в том, что в DXVA есть вариант апскейла «логикой GPU», при котором апскейл почти не ест ресурсов шейдерных ядер. Учитывая заявления о том что это не какой-нибудь простой алгоритм, типа билинейного, а Ланцош, можно сравнить нагрузку с аналогичной реализацией на пиксельных шейдерах — и это уже грузит её весьма заметно.
Скорее всего, именно поэтому FSR так быстр, он тоже аппаратно ускорен.
https://advances.realtimerendering.com/s2021/Unity%20AMD%20FSR%20-%20SIGGRAPH%202021.pdf
EASU had an aim.
That aim to provide better scaling than the previous solution of using CAS,
which is Contrast Adaptive Sharpening,
followed by hardware scaling that is built into the graphics card.
The hardware scaling built into the graphics card visually looks like horizontal and
vertical Lanczos.
Lanczos being a resampling algorithm that is a sinc function,
which is a theoretically optimal reconstruction filter,
windowed by another sync function which is truncated.
The windowing enables the function to be computationally feasible.
In order to do better than the hardware scaling,
we had to do something more adaptive.
So EASU focuses on something that is locally adaptive to the properties around the
pixel.
It is direction, length, and window adaptive.
And thus EASU is probably best described as a locally adaptive elliptical Lanczos-like
filter.
Due to this adaptability EASU requires input with good anti-aliasing as a base.
It is not an anti-aliasing solution by itself, and thus it does definitely require good AA
going into it.
Чтоб вы не напрягались — EASU это грубо говоря улучшенный алгоритм Ланцоша с некоторыми преимуществами. Не ИИ, но и далеко не только шарп.
Основная разница в том что апскейл Нвидия делает на DLSS на тензорных ядрах, быстрой нейронкой, а АМД использует обычную аппаратную реализацию апскейла как для видео. (не скажу точно где она реализована, но это скорее всего не шейдерные ядра, а часть кодировщика)
https://youtu.be/ytpVOFvbv8w
https://youtu.be/XW2rubC5oCY
Какой-то обзорщик где-нибудь да и напишет, наверное, а так, просто взять и найти для интересующей доски будет сложно. (Хотя я могу ошибаться.)
Но спасибо за интересные советы.)