Первые независимые тесты технологии масштабирования FSR 4 от AMD выявили любопытный нюанс, как оказалось, обновление может немного снизить частоту кадров по сравнению с предыдущей версией FSR 3. Тесты провел один из пользователей платформы X, используя свежий инструментарий FFX SDK 2.0 для разработчиков, а в качестве тестового стенда использовалась видеокарта Radeon RX 9070 XT. Режимы Frame Generation и вертикальной синхронизации были отключены для чистоты эксперимента.
Результаты тестов показали, что с FSR 3.1.5 система выдала 290 кадров в секунду, а после перехода на FSR 4.0.2 показатель упал до 276 fps. Более детальный анализ показал, что время, затрачиваемое видеокартой непосредственно на процесс апскейлинга, увеличилось с 0.51 мс до 0.70 мс, при этом общая нагрузка на графический процессор подскочила на 37%.
Все дело в фундаментальном изменении подхода к апскейленгу. FSR 3 в основе своей использовала менее требовательные к ресурсам алгоритмы, новая же, четвертая версия, активно задействует машинное обучение. Для анализа и восстановления картинки она оперирует такими данными, как векторы движения объектов и информация из соседних кадров, что позволяет добиться более четкого и качественного изображения, но и требует больших вычислительных мощностей.
Важно понимать, что на практике просадка в 14 кадров может быть практически незаметна, особенно в большинстве современных игр и при высоких настройках графики. Падение производительности затрагивает лишь небольшую часть общего процесса формирования кадра. Для одиночных проектов с богатой визуализацией подобный компромисс в пользу качества вполне оправдан, однако для киберспортсменов и тех, кто гонится за максимальным FPS в соревновательных дисциплинах, этот момент может быть принципиален.
Ранее AMD случайно опубликовала исходный код своей технологии FSR 4 на GitHub, и хотя компания оперативно удалила файлы, лицензия MIT сделала их законно доступными для всех, кто успел создать копии. Этот инцидент не только предоставил энтузиастам и разработчикам уникальную возможность изучить внутреннюю кухню алгоритма.