резюме:
FSR 5 «Scarlet Cortex» — не просто апскейлер, а полноценный нейронный рендеринг с обучением в реальном времени, глубоко интегрированный в драйвер и оптимизированный для архитектуры RDNA 4. Сочетание анализа ресурсов на этапе загрузки, адаптивного обучения и аппаратного параллелизма (векторные ALU + AI Accelerator внутри SIMD) позволяет достичь высокого качества изображения с минимальными накладными расходами.
Источники: TechPowerUp (полный обзор) https://www.techpowerup.com/review/amd- ... et-cortex/
1. Суть технологии
FSR 5 «Scarlet Cortex» — нейронный рендеринг в реальном времени, который улучшает освещение, материалы, отражения и атмосферные эффекты в уже отрисованном кадре. В отличие от статических моделей NVIDIA DLSS 5, FSR 5 использует адаптивное онлайн-обучение: модель подстраивается под конкретную игру во время игры, изучая её визуальную палитру, материалы и художественный стиль. Это позволяет уважать замысел разработчиков и не требует предварительных профилей для каждой игры.
Выделенные AI-ускорители внутри SIMD
- В RDNA 4 каждый SIMD32 (всего два на Compute Unit) получил AI Accelerator — специализированный блок для матричных операций, работающий параллельно с векторными ALU.
- Это позволяет одновременно выполнять шейдерные инструкции (на ALU) и матричные вычисления (на AI Accelerator), избегая блокировки SIMD.
- Планировщик поддерживает раздельные барьеры (split barriers) и динамическое выделение регистров, что повышает эффективность перемешивания нагрузок.
Производительность INT8 и разреженность
- FSR 5 использует INT8-квантование и структурированную разреженность 4:2, что удваивает пропускную способность матричных операций.
- По сравнению с RDNA 3, пропускная способность INT8 выросла в 4 раза (плотные матрицы) и до 8 раз (разреженные).
3. Конвейер обработки: от загрузки до улучшения
Анализ на уровне драйвера (при загрузке уровня)
- Texture Interception: текстуры классифицируются по материалу (металл, кожа, листва и т.д.) с извлечением цветораспределения, частоты деталей, шероховатости.
- Mesh Analysis: геометрия классифицируется на персонажей, окружение, листву, частицы, UI. Элементы UI и частицы исключаются из обработки.
- Shader Introspection: анализ байт-кода (DXIL/SPIR-V) для извлечения PBR-параметров, модели освещения, типа рендер-пасса.
Все результаты сохраняются в pre‑analysis cache на диске (20–50 МБ на игру) и используются при последующих запусках.
Адаптивное обучение (во время игры)
- Модель стартует с базовыми весами, обученными на разнообразных игровых сценах.
- В процессе игры она получает исходные кадры движка (не улучшенные) и свои улучшенные кадры, выполняя обратное распространение ошибки (backward pass) для корректировки весов.
- Сходимость:
- 0–2 мин: цвет и освещение
- 2–5 мин: уточнение материалов
- 5–10 мин: полная стабилизация
- После сходимости веса сохраняются в кэш. При повторном запуске игра сразу использует дообученную модель, минуя период сходимости.
4. Производительность и накладные расходы
Тесты на RX 9070 XT (1440p, максимальные настройки):
Режим - Накладные расходы - Доп. VRAM
Quality 8–10 % - ~400 МБ
Balanced 4–5 % - ~250 МБ
Performance 2–3 % ~150 МБ
- Расходы стабильны в разных играх, так как нагрузка ложится на AI-акселераторы, не затрагивая шейдерные блоки.
- Время загрузки уровня увеличивается на 1,2–3,1 сек при первом запуске (анализ ресурсов), при повторных — менее 0,3 сек.
5. Интеграция и экосистема
Два режима работы
1. Driver Mode (универсальный): работает в любых играх DirectX 12, но на старте доступен только в белом списке (проверенные AMD игры). Планируется переход к черному списку (включено везде, кроме явных исключений).
2. SDK Mode (оптимизированный): разработчик получает прямой доступ к G‑буферу, метаданным материалов, источникам света, HDR‑параметрам, а также может задать enhancement masks (категории, к которым разрешено применять улучшения).
- Разработчик самостоятельно определяет, какие категории геометрии можно улучшать (окружение, статика) и какие нельзя (модели игроков, HUD, динамические объекты).
- Для игр с античитом требуется регистрация маски улучшений. Пользователь не может отключить блокировку.
посмотреть качество изображения можно тут:
https://www.techpowerup.com/review/amd- ... tex/5.html
6. Сравнение с NVIDIA DLSS 5
Параметр - AMD FSR 5 vs NVIDIA DLSS 5
Подход - Адаптивное онлайн-обучение под игру - DLSS 5 Статическая модель, предобученная на кинематографических данных
Поддержка игр - Автоматически через драйвер (в перспективе все) - DLSS 5 Требуется профиль для каждой игры
Материалы - Анализ в реальном времени (текстуры+шейдеры) - DLSS 5 Предварительно запечённые данные
Смена сцены - Плавная адаптация с сохранением знаний - DLSS 5 Нет контекстной осведомлённости
Со временем - Становится лучше для каждой игры - DLSS 5 Всегда одинаково
Художественный стиль - Уважает оригинальное направление - DLSS 5 Может навязывать «кинематографичность»
7. Ограничения и риски
- Аппаратная эксклюзивность: только Radeon RX 9000 (RDNA 4). Владельцы старых GPU не получат FSR 5.
- Белый список на старте: ограниченное число игр (хотя AMD обещает быстро расширять).
- Период совместимости: первые минуты игры дают не максимальное качество (но это одноразово).
- Зависимость от драйверов и обновлений: для добавления новых игр в белый список требуется выпуск драйвера.
8. Стратегическое значение
FSR 5 меняет ценностное предложение видеокарт AMD. Вместо простого соревнования в FPS/ватт, Radeon RX 9000 предлагают принципиально лучшее качество изображения, которое невозможно достичь простым наращиванием шейдерных ядер или генерацией кадров.
Если AMD выполнит обещанный переход от белого списка к черному, FSR 5 станет универсальным улучшайзером для всех игр, что даст серьёзное экосистемное преимущество перед NVIDIA в сегменте массового гейминга.
9. Технический итог
Главная инновация: модель не навязывает универсальный стиль, а учится у конкретной игры, делая визуальные улучшения неотличимыми от оригинала, но более детализированными и физически корректными.
FSR 5 «Scarlet Cortex» — не просто апскейлер, а полноценный нейронный рендеринг с обучением в реальном времени, глубоко интегрированный в драйвер и оптимизированный для архитектуры RDNA 4. Сочетание анализа ресурсов на этапе загрузки, адаптивного обучения и аппаратного параллелизма (векторные ALU + AI Accelerator внутри SIMD) позволяет достичь высокого качества изображения с минимальными накладными расходами.