Combler le fossé du silicium : amener la suite DLSS 5 de Nvidia sur les GPU AMD Radeon

Résumé exécutif et positionnement sur le marché

La guerre des fonctionnalités des GPU a longtemps été définie par des écosystèmes logiciels propriétaires, l'écosystème DLSS (Deep Learning Super Sampling) de Nvidia constituant une proposition de valeur majeure pour l'équipe verte. Cependant, la communauté open source continue de perturber la segmentation matérielle traditionnelle. Développé par le moddeur Daniel Blanco, le projet DLSS-NR a accompli ce que l'on pensait auparavant architecturalement improbable : exécuter la suite complète DLSS 5 de Nvidia — y compris le Rendu Neural, la Super Résolution 4.5, la Génération de Frames et la Reconstitution de Rayons — directement sur le matériel AMD Radeon.

En ciblant trois générations d'architecture Radeon (RDNA 2, RDNA 3 et la dernière série RDNA 4 RX 9000), ce développement remet fondamentalement en question l'exclusivité de la pile logicielle de Nvidia. Bien qu'AMD se soit historiquement appuyé sur FidelityFX Super Resolution (FSR) et des standards ouverts pour démocratiser les fonctionnalités, il manquait un véritable équivalent au pipeline de Rendu Neural piloté par les Tensor Cores de Nvidia. Le projet DLSS-NR comble efficacement cette lacune technologique, permettant aux utilisateurs de Radeon d'exploiter des modèles avancés de reconstruction d'image basés sur l'apprentissage automatique sans être enfermés dans des écosystèmes matériels propriétaires.

Innovations architecturales et technologiques clés

Au cœur de ce mod se trouve le chargeur de mod NeuralHub, un mécanisme de wrapper et d'injection sophistiqué qui intercepte les appels d'API graphiques dans les titres DirectX 12. Plutôt que de forcer une implémentation native, NeuralHub se connecte aux pipelines d'upscaling existants — que le jeu utilise nativement FSR, DLSS ou Intel XeSS — et remplace à chaud le moteur de rendu. Notamment, la mise à jour intègre une instance interne de FSR 4.1.1. Cela garantit une base standardisée et hautement compatible pour l'interface du pipeline, contournant les incohérences des intégrations FSR fragmentées et spécifiques aux jeux.

L'inclusion du dernier modèle de Rendu Neural 310.9.16 constitue une étape technique majeure. La dernière version de Nvidia traite les charges de travail neurales jusqu'à 2 fois plus rapidement tout en consommant environ 20 % de VRAM en moins que les fuites précédentes, ce qui la rend légèrement plus viable sur les architectures non-Nvidia. Le mod exécute ces charges de travail en mappant les appels d'API propriétaires basés sur les tenseurs de Nvidia vers des opérations de calcul standard ou des chemins d'accélération matérielle à usage général disponibles sur le silicium Radeon. Bien que les cœurs matriciels d'AMD (tels que les instructions WMMA/WMMAL présentes dans les architectures plus récentes) gèrent ces charges de travail, la traduction des structures d'API spécifiques au vendeur introduit une surcharge inhérente au pipeline.

Spécifications empiriques et matrice de benchmarks

Thermique, efficacité et ergonomie réelle

Le déploiement d'une couche de traduction complexe et multi-vendeur comme DLSS-NR introduit des considérations thermiques et d'efficacité uniques pour le matériel Radeon. Lors des tests des développeurs sur une RX 9070 XT, le système atteint 90 à 100 FPS très jouables en 1080p avec des améliorations neurales lourdes activées. Cependant, les métriques utilisateur réelles collectées à travers divers écosystèmes de forums révèlent une expérience partagée. Alors qu'un sous-ensemble d'utilisateurs ne signale aucun delta de performance par rapport aux solutions FSR natives, d'autres constatent des pénalités de taux de rafraîchissement allant de baisses à un chiffre jusqu'à 25 % selon la complexité du pipeline du titre spécifique.

Cette variation de performance provient de la surcharge de traduction liée à l'exécution de code shader propriétaire optimisé par Nvidia et de modèles de réseaux de neurones sur des architectures matérielles conçues autour de tailles de front d'onde et de hiérarchies de cache différentes. Par conséquent, les unités de calcul du GPU peuvent connaître une efficacité d'exécution moindre, ce qui entraîne une consommation d'énergie légèrement plus élevée par rapport à la production réelle d'images. De plus, l'inclusion de l'overlay NeuralHub permet un réglage des paramètres en temps réel, offrant aux utilisateurs un contrôle granulaire sur la netteté, les rapports d'upscaling et l'intensité de la reconstruction directement dans l'environnement de jeu, reflétant l'ergonomie des suites logicielles officielles.

Le verdict définitif

Le projet DLSS-NR est une réalisation monumentale en matière de rétro-ingénierie et d'adaptation logicielle, brisant avec succès les barrières artificielles entre des écosystèmes matériels concurrents. Pour les passionnés utilisant des GPU RDNA 2, 3 ou 4, il offre une fenêtre sans précédent sur l'ensemble de fonctionnalités avancées de Nvidia, comblant plus particulièrement le vide flagrant d'AMD en matière de Rendu Neural. Cependant, en raison des pénalités variables sur le taux de rafraîchissement, des instabilités potentielles du pipeline et de l'incompatibilité totale avec les titres dotés d'un anti-cheat au niveau du noyau, il reste un outil de bricolage pour passionnés plutôt qu'un remplacement commercial prêt à l'emploi pour les pilotes natifs. En fin de compte, il sert de preuve de concept puissante qui met en évidence la demande pour un upscaling neural avancé sur tout le matériel graphique moderne.