Γράφει ο Χριστόφορος Παναγιωτούδης

FSR 4.1 “Redstone” απέναντι στο DLSS 4.5: Upscaling, Machine Learning, Frame Generation, Ray Reconstruction και η νέα εποχή του Neural Rendering

Τα videogames δεν αποδίδουν πλέον απλώς pixels — αρχίζουν να τα προβλέπουν

Για δεκαετίες η λογική των real-time γραφικών ήταν σχετικά απλή.

Η GPU έπρεπε να δημιουργήσει κάθε frame.

Κάθε pixel.

Κάθε σκιά.

Κάθε αντανάκλαση.

Κάθε γεωμετρική λεπτομέρεια.

Όσο υψηλότερη ήταν η ανάλυση και όσο πολυπλοκότερη η σκηνή, τόσο μεγαλύτερη υπολογιστική ισχύ χρειαζόταν.

Η άνοδος όμως τεχνολογιών όπως το AMD FidelityFX Super Resolution — FSR και το NVIDIA Deep Learning Super Sampling — DLSS άρχισε να αλλάζει αυτή τη φιλοσοφία.

Σήμερα δεν χρειάζεται απαραίτητα να υπολογίζονται όλα τα pixels με τον παραδοσιακό τρόπο.

Μπορούν να ανακατασκευάζονται.

Ορισμένα frames μπορούν ακόμη και να δημιουργούνται μεταξύ των πραγματικά rendered frames.

Και όλο και μεγαλύτερο μέρος αυτής της διαδικασίας πραγματοποιείται με Machine Learning και neural rendering.

Το αποτέλεσμα είναι μια από τις σημαντικότερες μεταβάσεις στη σύγχρονη ιστορία των computer graphics:

από το brute-force rendering περνάμε στα intelligent graphics.

Τι είναι το Upscaling;

Ας ξεκινήσουμε από τη βασική ιδέα.

Φανταστείτε ότι θέλουμε να παίξουμε ένα videogame σε:

3840 × 2160 — 4K.

Το παραδοσιακό native rendering απαιτεί από την GPU να δημιουργήσει περίπου:

8,3 εκατομμύρια pixels ανά frame.

Στα 60 FPS αυτό αντιστοιχεί θεωρητικά σε σχεδόν:

500 εκατομμύρια pixels κάθε δευτερόλεπτο

πριν καν υπολογίσουμε την πολυπλοκότητα των shaders, του Ray Tracing, των reflections, του lighting και όλων των υπόλοιπων λειτουργιών.

Τι θα συνέβαινε όμως εάν η GPU έκανε render το παιχνίδι σε χαμηλότερη εσωτερική ανάλυση και ένας προηγμένος αλγόριθμος ανακατασκεύαζε την τελική εικόνα σε 4K;

Αυτό είναι, σε απλουστευμένη μορφή, το βασικό concept του modern upscaling.

Native Rendering

Στο native 4K έχουμε ουσιαστικά:

4K Render → 4K Output

Η GPU υπολογίζει την εικόνα απευθείας στην τελική ανάλυση.

Upscaling

Με Super Resolution μπορούμε να έχουμε:

Lower Internal Resolution → Reconstruction → 4K Output

Έτσι μειώνεται σημαντικά το rendering workload.

Το κρίσιμο ερώτημα είναι:

Πόσο καλά μπορεί ο αλγόριθμος να ανακατασκευάσει τις πληροφορίες που δεν αποδόθηκαν εξαρχής;

Εδώ ξεκινά η πραγματική μάχη FSR και DLSS.

AMD FSR — FidelityFX Super Resolution

Το FSR είναι η οικογένεια τεχνολογιών Super Resolution της AMD.

Οι πρώτες εκδόσεις ακολούθησαν διαφορετική φιλοσοφία από το DLSS.

Το FSR 1 χρησιμοποιούσε spatial upscaling.

Το FSR 2 πέρασε σε temporal reconstruction.

Το FSR 3 πρόσθεσε Frame Generation.

Και στη συνέχεια ήρθε η μεγάλη αλλαγή:

FSR 4.

Η AMD εγκατέλειψε πλέον την αποκλειστικά analytical προσέγγιση για το κορυφαίο upscaler της και πέρασε σε Machine Learning-based reconstruction.

Το σημερινό FSR Upscaling 4.1 χρησιμοποιεί neural networks και temporal/spatial πληροφορίες από πολλαπλά frames για να ανακατασκευάζει εικόνες υψηλότερης ανάλυσης. Η AMD αναφέρει βελτιώσεις σε temporal stability, λεπτομέρεια, particles και ghosting σε σχέση με προηγούμενες γενιές.

Και αυτό σημαίνει κάτι σημαντικό:

AMD και NVIDIA συγκρούονται πλέον ουσιαστικά στο ίδιο πεδίο: Machine Learning graphics.

Από το FSR 4 στο FSR Upscaling 4.1

Υπάρχει μια σημαντική αλλαγή ονομασίας.

Η AMD έχει πλέον μετονομάσει το FSR 4 σε:

AMD FSR Upscaling.

Ο λόγος είναι ότι το FSR δεν αποτελεί πλέον μία μόνο τεχνολογία.

Έχει εξελιχθεί σε ολόκληρη σουίτα neural rendering τεχνολογιών.

Η σημερινή οικογένεια FSR “Redstone” περιλαμβάνει:

FSR Upscaling
FSR Frame Generation
FSR Ray Regeneration
FSR Radiance Caching

Το FSR Upscaling 4.1.1 είναι η σημερινή ML-based έκδοση του upscaler.

Άρα όταν σήμερα λέμε απλώς «FSR», πρέπει να είμαστε προσεκτικοί.

Μπορεί να αναφερόμαστε σε διαφορετικές γενιές και διαφορετικές τεχνολογίες.

NVIDIA DLSS — Deep Learning Super Sampling

Η NVIDIA ακολούθησε νωρίτερα τον δρόμο της AI reconstruction.

Το DLSS σχεδιάστηκε εξαρχής γύρω από τα Tensor Cores των GeForce RTX GPUs.

Η βασική ιδέα ήταν:

Low-resolution rendered image + temporal information + neural network → high-resolution reconstructed image.

Με κάθε νέα γενιά η τεχνολογία εξελίχθηκε.

DLSS 2:

Super Resolution.

DLSS 3:

Frame Generation.

DLSS 3.5:

Ray Reconstruction.

DLSS 4:

Transformer Super Resolution + Multi Frame Generation.

Και το 2026:

DLSS 4.5.

Η NVIDIA χρησιμοποιεί πλέον δεύτερης γενιάς transformer model για Super Resolution, ενώ στις RTX 50 Series προσφέρει Dynamic Multi Frame Generation και λειτουργία έως 6X Multi Frame Generation.

Από CNN σε Transformer

Εδώ βρίσκεται μία από τις σημαντικότερες τεχνολογικές αλλαγές του DLSS.

Οι παλαιότερες εκδόσεις χρησιμοποιούσαν κυρίως Convolutional Neural Networks — CNNs.

Με το DLSS 4 η NVIDIA πέρασε σε Vision Transformer architecture.

Τα transformers μπορούν μέσω self-attention να εξετάζουν ευρύτερες σχέσεις μεταξύ των στοιχείων μιας εικόνας και μεταξύ διαδοχικών frames.

Σύμφωνα με τη NVIDIA, το transformer model του DLSS 4 χρησιμοποιούσε περίπου διπλάσιες παραμέτρους από το προηγούμενο CNN και σχεδιάστηκε ώστε να προσφέρει καλύτερη temporal stability, μειωμένο ghosting, περισσότερη λεπτομέρεια σε κίνηση και ομαλότερες ακμές.

Το DLSS 4.5 προχωρά ακόμη περισσότερο με second-generation transformer model.

Και εδώ γίνεται ξεκάθαρο ότι πλέον δεν μιλάμε απλώς για έναν παραδοσιακό graphics filter.

Μιλάμε για:

AI inference μέσα στο rendering pipeline.

FSR 4.1 — Η μεγάλη αλλαγή της AMD

Η AMD για χρόνια είχε ένα σημαντικό πλεονέκτημα:

τη μεγάλη συμβατότητα του FSR.

Αλλά η analytical reconstruction των προηγούμενων FSR εκδόσεων μπορούσε σε απαιτητικές περιπτώσεις να εμφανίσει:

ghosting,

flickering,

instability,

απώλεια λεπτών στοιχείων.

Το FSR 4 άλλαξε τη φιλοσοφία.

Η AMD εκπαίδευσε το νέο ML upscaler χρησιμοποιώντας υψηλής ποιότητας gaming data σε AMD Instinct GPUs και σχεδίασε την inference πλευρά ώστε να αξιοποιεί τις ML δυνατότητες των νεότερων Radeon.

Το αποτέλεσμα είναι μια πολύ σημαντική μετατόπιση.

Το FSR δεν προσπαθεί πλέον μόνο να είναι η «ευέλικτη εναλλακτική του DLSS».

Προσπαθεί να γίνει πραγματικός ανταγωνιστής του στο neural rendering.

Το 2026 έφερε και κάτι ακόμη σημαντικό: RDNA 3

Αρχικά το FSR 4 ήταν ουσιαστικά συνδεδεμένο με τις νεότερες RDNA 4 / Radeon RX 9000 GPUs.

Αυτό περιόριζε σημαντικά τη διαθεσιμότητά του.

Όμως το 2026 η AMD επέκτεινε το ML-based FSR Upscaling 4.1 και στις discrete Radeon RX 7000 Series — RDNA 3.

Η τρέχουσα GPUOpen τεκμηρίωση αναφέρει υποστήριξη FSR Upscaling 4.1.1 για Radeon RX 9000 και RX 7000 discrete GPUs. Για παλαιότερο hardware εξακολουθούν να υπάρχουν analytical fallback paths μέσω FSR 3.

Αυτό είναι σημαντικό για εκατομμύρια υπάρχοντες Radeon χρήστες.

FSR “Redstone” — πολύ περισσότερο από Upscaling

Το πραγματικά ενδιαφέρον project της AMD είναι πλέον το:

FSR “Redstone”.

Το Redstone αποτελεί οικογένεια ML-powered rendering technologies.

Η AMD το χωρίζει σε τέσσερις βασικούς πυλώνες.

FSR Upscaling

Neural reconstruction της εικόνας από χαμηλότερη ανάλυση.

FSR Frame Generation

Πρόβλεψη και δημιουργία πρόσθετων frames μεταξύ των rendered frames.

FSR Ray Regeneration

ML reconstruction των δεδομένων του ray tracing από sparse samples.

FSR Radiance Caching

Machine-learning προσέγγιση για την πρόβλεψη του τρόπου με τον οποίο το φως διαδίδεται μέσα στη σκηνή.

Αυτό δείχνει πού κατευθύνεται η AMD.

Δεν θέλει απλώς καλύτερο upscaling.

Θέλει ένα AI-assisted rendering pipeline.

DLSS 4.5 — η NVIDIA βρίσκεται ήδη βαθιά στο Neural Rendering

Η NVIDIA από την άλλη πλευρά έχει δημιουργήσει ένα αντίστοιχο οικοσύστημα.

Το DLSS πλέον δεν είναι απλώς Super Resolution.

Περιλαμβάνει τεχνολογίες όπως:

DLSS Super Resolution

DLAA

Frame Generation

Multi Frame Generation

Dynamic Multi Frame Generation

Ray Reconstruction

σε συνδυασμό με το NVIDIA Reflex για μείωση latency.

Η NVIDIA περιγράφει πλέον το DLSS ως suite από neural rendering technologies που λειτουργούν μέσω των Tensor Cores των RTX GPUs.

Η μάχη επομένως δεν είναι πλέον:

FSR Upscaler vs DLSS Upscaler.

Είναι:

AMD Neural Rendering Ecosystem vs NVIDIA Neural Rendering Ecosystem.

Τι είναι το Frame Generation;

Εδώ τα πράγματα γίνονται ακόμη πιο ενδιαφέροντα.

Ας υποθέσουμε ότι ένα παιχνίδι παράγει πραγματικά:

60 FPS.

Με Frame Generation μπορεί να δημιουργηθεί ένα επιπλέον ενδιάμεσο frame.

Έτσι η οθόνη μπορεί να παρουσιάζει κάτι που προσεγγίζει:

120 FPS output.

Το ενδιάμεσο frame όμως δεν έχει δημιουργηθεί από ολόκληρο το game engine με τον παραδοσιακό τρόπο.

Έχει παραχθεί αλγοριθμικά.

Generated FPS ≠ Rendered FPS

Αυτή είναι ίσως η σημαντικότερη έννοια για έναν gamer.

Αν βλέπουμε:

200 FPS

με ενεργοποιημένο Frame Generation, αυτό δεν σημαίνει απαραίτητα ότι το game engine εκτελεί 200 πλήρη rendered frames ανά δευτερόλεπτο.

Μέρος τους μπορεί να είναι generated.

Άρα πρέπει να ξεχωρίζουμε:

Rendered FPS

από

Displayed / Generated FPS.

Η οπτική ομαλότητα μπορεί να αυξηθεί εντυπωσιακά.

Αλλά το input latency δεν συμπεριφέρεται σαν να αυξήθηκε ισόποσα το πραγματικό simulation/rendering rate.

NVIDIA Multi Frame Generation

Με το DLSS 4 η NVIDIA προχώρησε πέρα από τη δημιουργία ενός μόνο ενδιάμεσου frame.

Το Multi Frame Generation μπορούσε να παράγει πολλαπλά AI-generated frames για κάθε traditionally rendered frame.

Το DLSS 4.5 πηγαίνει ακόμη περισσότερο.

Η NVIDIA διαθέτει πλέον Dynamic Multi Frame Generation, το οποίο μπορεί να μεταβάλλει δυναμικά τον multiplier ανάλογα με:

το performance του GPU,
το παιχνίδι,
τη σκηνή,
και το refresh rate της οθόνης.

Το σύστημα μπορεί να φτάσει έως 6X Multi Frame Generation σε συμβατό RTX 50 Series hardware.

Αυτό δημιουργεί ένα εντελώς διαφορετικό μοντέλο rendering.

Τι σημαίνει 6X Multi Frame Generation;

Σε απλουστευμένη μορφή, η GPU μπορεί να δημιουργεί ένα πραγματικά rendered frame και να χρησιμοποιεί AI για να παράγει πρόσθετα frames ανάμεσα στα πραγματικά.

Δεν σημαίνει ότι η GPU ξαφνικά απέκτησε εξαπλάσια raw rasterization performance.

Σημαίνει ότι η τελική ακολουθία εικόνων δημιουργείται από συνδυασμό:

traditional rendering + neural generation.

Αυτή η διάκριση είναι εξαιρετικά σημαντική.

Γιατί τα FPS ως αριθμός δεν περιγράφουν πλέον από μόνα τους ολόκληρη την εμπειρία.

Το μεγάλο πρόβλημα: Latency

Αν δημιουργήσουμε περισσότερα frames, έχουμε πιο ομαλή κίνηση.

Αλλά τα generated frames δεν αντιπροσωπεύουν νέα input samples από:

mouse,

keyboard,

controller.

Επομένως το Frame Generation πρέπει να συνδυάζεται με τεχνολογίες μείωσης latency.

Στην πλευρά της NVIDIA υπάρχει το:

NVIDIA Reflex.

Το Reflex προσπαθεί να μειώσει την καθυστέρηση μεταξύ input και τελικού displayed αποτέλεσμα.

Αυτό γίνεται ιδιαίτερα σημαντικό όσο αυξάνεται η χρήση Frame Generation.

Γιατί το βασικό FPS εξακολουθεί να έχει σημασία

Ας πάρουμε δύο ακραίες περιπτώσεις.

Scenario A

Game:

20 native/rendered FPS

→ Frame Generation

→ 80 displayed FPS

Scenario B

Game:

80 rendered FPS

→ Frame Generation

→ 160 displayed FPS

Οι αριθμοί μπορεί να φαίνονται εντυπωσιακοί και στις δύο περιπτώσεις.

Η εμπειρία όμως δεν είναι ίδια.

Στο πρώτο σενάριο η πολύ χαμηλή βασική συχνότητα μπορεί να δημιουργεί:

υψηλό latency,

δυσκολότερη frame prediction,

περισσότερα artifacts.

Στο δεύτερο σενάριο το AI ξεκινά από πολύ καλύτερη βάση.

Γι' αυτό το Frame Generation λειτουργεί καλύτερα ως:

multiplier καλού performance

και όχι ως:

θεραπεία για μη playable performance.

Ray Tracing — το σημείο όπου η AI γίνεται σχεδόν απαραίτητη

Το Ray Tracing και ακόμη περισσότερο το Path Tracing είναι εξαιρετικά απαιτητικά.

Για κάθε pixel μπορεί να απαιτούνται πολλαπλοί υπολογισμοί ακτίνων φωτός.

Όσο αυξάνεται η ποιότητα, τόσο αυξάνεται δραματικά το computational cost.

Η brute-force λύση θα απαιτούσε τεράστια GPU ισχύ.

Η νέα φιλοσοφία είναι διαφορετική:

Υπολόγισε λιγότερα samples και χρησιμοποίησε AI για να ανακατασκευάσεις το αποτέλεσμα.

Εδώ βρίσκονται:

NVIDIA Ray Reconstruction

και

AMD FSR Ray Regeneration.

NVIDIA Ray Reconstruction

Το DLSS Ray Reconstruction χρησιμοποιεί neural network ώστε να αντικαθιστά παραδοσιακά hand-tuned denoisers σε ray-traced workloads.

Το AI χρησιμοποιεί πληροφορίες από το rendering pipeline και από προηγούμενα frames για να ανακατασκευάσει υψηλότερης ποιότητας ray-traced εικόνα.

Το transformer model του DLSS χρησιμοποιείται πλέον και σε αυτό το κομμάτι της διαδικασίας.

Αυτό είναι ιδιαίτερα σημαντικό για Path Tracing.

AMD Ray Regeneration

Η AMD αναπτύσσει την αντίστοιχη προσέγγιση μέσα στο Redstone.

Το FSR Ray Regeneration χρησιμοποιεί ML για να ανακατασκευάζει υψηλής ποιότητας ray-traced detail από sparse samples, μειώνοντας το rendering cost.

Αυτό δείχνει ότι και οι δύο εταιρείες έχουν καταλήξει ουσιαστικά στην ίδια στρατηγική κατεύθυνση:

δεν χρειάζεται να υπολογίσουμε τα πάντα — μπορούμε να ανακατασκευάσουμε όσα λείπουν.

Radiance Caching — η AMD κοιτά ακόμη βαθύτερα

Ένα από τα πιο ενδιαφέροντα στοιχεία του Redstone είναι το FSR Radiance Caching.

Η τεχνολογία βρίσκεται στο neural rendering κομμάτι του FSR και σχεδιάστηκε ώστε να μαθαίνει και να προβλέπει πώς διαδίδεται το φως μέσα σε μια σκηνή, με στόχο αποδοτικότερο real-time global illumination.

Εδώ πλέον η AI δεν χρησιμοποιείται μόνο:

μετά το rendering.

Αρχίζει να συμμετέχει:

στον ίδιο τον υπολογισμό του φωτισμού.

Αυτό είναι μια πολύ σημαντική αλλαγή.

FSR vs DLSS — Συνοπτική τεχνολογική εικόνα το 2026

Χαρακτηριστικό	AMD FSR / Redstone	NVIDIA DLSS 4.5
Super Resolution	Ναι	Ναι
Machine Learning Upscaling	Ναι	Ναι
Temporal Reconstruction	Ναι	Ναι
Neural Networks	Ναι	Ναι
Transformer-based SR	διαφορετική ML υλοποίηση	Ναι, 2nd-gen Transformer
Frame Generation	Ναι	Ναι
Multi Frame Generation	διαφορετική προσέγγιση FG	Ναι
Dynamic Multi Frame Generation	—	Ναι
έως 6X MFG	—	RTX 50
Ray Reconstruction/Regeneration	FSR Ray Regeneration	DLSS Ray Reconstruction
Neural Lighting	Radiance Caching	ευρύτερο RTX neural-rendering οικοσύστημα
Dedicated AI hardware	RDNA ML acceleration	Tensor Cores
Broad analytical fallback	Πολύ ισχυρό μέσω FSR 2/3	RTX ecosystem
ML Upscaling RX 7000	Ναι, FSR 4.1	—
ML Upscaling RX 9000	Ναι	—
Super Resolution RTX 20–50	μέσω DLSS ανά γενιά	Ναι
MFG	—	RTX 50 Series

Οι δυνατότητες διαφέρουν ανά GPU, παιχνίδι και υλοποίηση· δεν πρέπει να θεωρείται ότι κάθε τίτλος υποστηρίζει όλες τις παραπάνω λειτουργίες.

Πού παραμένει ισχυρό το FSR;

Το μεγάλο ιστορικό πλεονέκτημα του FSR είναι η ευελιξία.

Οι analytical εκδόσεις του FSR μπορούν να λειτουργούν σε πολύ μεγαλύτερο φάσμα hardware, ακόμη και εκτός AMD.

Το σημερινό FSR SDK διατηρεί FSR 2.x και FSR 3.1 analytical paths για παλαιότερες GPUs, ενώ το ML-based FSR Upscaling 4.1 επικεντρώνεται στις νεότερες Radeon RX 7000/9000.

Αυτό επιτρέπει στους developers να δημιουργούν μια σχετικά ευρεία κλίμακα συμβατότητας.

Πού παραμένει ισχυρό το DLSS;

Το DLSS έχει διαφορετικό πλεονέκτημα:

βαθιά hardware/software συνεξέλιξη.

Η NVIDIA ελέγχει:

την RTX GPU architecture,

τα Tensor Cores,

τα AI models,

τους drivers,

το Reflex,

το Ray Reconstruction,

το Frame Generation,

το Multi Frame Generation.

Αυτό δημιουργεί ένα πολύ στενά ολοκληρωμένο οικοσύστημα.

Το μειονέκτημα είναι επίσης προφανές:

οι λειτουργίες του DLSS είναι δεμένες με συγκεκριμένες γενιές RTX hardware.

Δεν υποστηρίζουν όλες οι RTX όλες τις λειτουργίες

Αυτό συχνά δημιουργεί σύγχυση.

Το ότι μια GPU είναι RTX δεν σημαίνει ότι έχει πρόσβαση σε κάθε DLSS feature.

Για παράδειγμα, το Super Resolution μπορεί να χρησιμοποιηθεί σε πολύ ευρύτερη γκάμα RTX GPUs.

Το αρχικό Frame Generation απαιτεί νεότερες γενιές.

Και το Multi Frame Generation / Dynamic MFG αποτελεί δυνατότητα της RTX 50 / Blackwell γενιάς.

Άρα το «υποστηρίζει DLSS» δεν είναι πλέον αρκετή πληροφορία.

Πρέπει να ρωτάμε:

Ποιο DLSS feature;

Το ίδιο ισχύει πλέον και για την AMD

Με το Redstone η κατάσταση γίνεται παρόμοια.

Η AMD διατηρεί μεγάλη συμβατότητα μέσω των προηγούμενων FSR τεχνολογιών, αλλά οι προηγμένες ML λειτουργίες έχουν αυστηρότερες hardware απαιτήσεις.

Το FSR Upscaling 4.1.1 υποστηρίζει σήμερα discrete Radeon RX 7000 και RX 9000 GPUs, ενώ η πλήρης Redstone εμπειρία και ορισμένες ML λειτουργίες επικεντρώνονται περισσότερο στο RDNA 4 hardware.

Άρα βλέπουμε σταδιακά μια σύγκλιση.

Η AMD διατηρεί το compatibility advantage.

Αλλά όσο περισσότερο χρησιμοποιεί ML, τόσο περισσότερο αποκτά και η ίδια hardware requirements.

Quality, Balanced, Performance — τι αλλάζει πραγματικά;

Τα upscalers συνήθως προσφέρουν modes όπως:

Quality

Balanced

Performance

και σε ορισμένες περιπτώσεις:

Ultra Performance.

Η λογική είναι απλή.

Quality

Υψηλότερη internal resolution.

Καλύτερη εικόνα.

Μικρότερο performance boost.

Performance

Χαμηλότερη internal resolution.

Μεγαλύτερο performance boost.

Δυσκολότερη reconstruction.

Το AI πρέπει ουσιαστικά να «μαντέψει» περισσότερες πληροφορίες.

Γιατί το 4K βοηθά τα upscalers;

Υπάρχει ένα ενδιαφέρον παράδοξο.

Το upscaling συχνά λειτουργεί εντυπωσιακότερα σε υψηλές output resolutions.

Γιατί;

Επειδή ακόμη και όταν χρησιμοποιούμε χαμηλότερη internal resolution, υπάρχουν αρκετά source pixels ώστε το reconstruction system να έχει πλούσια πληροφορία.

Σε πολύ χαμηλές αναλύσεις, για παράδειγμα aggressive Performance mode στα 1080p, το input μπορεί να γίνει τόσο μικρό ώστε ο αλγόριθμος να πρέπει να ανακατασκευάσει υπερβολικά μεγάλο μέρος της εικόνας.

Γι' αυτό:

4K Quality Mode

είναι συνήθως πολύ ευκολότερο reconstruction problem από:

1080p Performance Mode.

Τα artifacts δεν εξαφανίστηκαν

Ούτε το FSR ούτε το DLSS είναι μαγεία.

Μπορούν να εμφανιστούν προβλήματα όπως:

ghosting,

flickering,

disocclusion artifacts,

λεπτές γραμμές που εξαφανίζονται,

particle instability,

προβλήματα σε μαλλιά,

καλώδια,

φράχτες,

UI elements,

διαφάνειες,

γρήγορη κίνηση.

Τα ML models έχουν βελτιώσει δραματικά πολλές από αυτές τις περιπτώσεις.

Δεν τις έχουν όμως εξαφανίσει.

Native Resolution vs AI Reconstruction

Για χρόνια θεωρούσαμε το native rendering τον απόλυτο στόχο.

Όμως πλέον η κατάσταση είναι πιο σύνθετη.

Ένα σύγχρονο neural upscaler μπορεί σε ορισμένες σκηνές να παράγει:

καλύτερο anti-aliasing,

μεγαλύτερη temporal stability,

καθαρότερες λεπτές γραμμές,

λιγότερο shimmering

από ένα παραδοσιακό native rendering pipeline.

Άρα:

Native ≠ αυτομάτως καλύτερο σε κάθε χαρακτηριστικό.

Αυτό είναι ίσως μια από τις μεγαλύτερες αλλαγές που έφερε το AI graphics revolution.

DLAA και Native AA

Η ίδια τεχνολογία reconstruction μπορεί επίσης να χρησιμοποιηθεί χωρίς χαμηλότερη internal resolution.

Η NVIDIA διαθέτει το:

DLAA — Deep Learning Anti-Aliasing.

Η AMD αντίστοιχα διαθέτει Native AA modes στο FSR οικοσύστημα.

Εδώ το ζητούμενο δεν είναι κυρίως περισσότερα FPS.

Είναι η αξιοποίηση του reconstruction algorithm για καλύτερη ποιότητα εικόνας στην native resolution.

Άρα η AI δεν χρησιμοποιείται μόνο για performance.

Χρησιμοποιείται και ως:

image-quality technology.

Τι συμβαίνει με τα competitive games;

Σε competitive gaming η προτεραιότητα αλλάζει.

Σε ένα cinematic single-player game μπορεί να θέλουμε:

4K,

Ray Tracing,

Frame Generation,

μέγιστη οπτική ποιότητα.

Σε ένα competitive shooter όμως μπορεί να προτιμάμε:

πολύ υψηλό πραγματικό base FPS,

χαμηλό latency,

άμεση απόκριση.

Εκεί το Frame Generation πρέπει να χρησιμοποιείται με μεγαλύτερη προσοχή.

Γιατί:

300 displayed FPS

δεν σημαίνουν απαραίτητα:

input response αντίστοιχο 300 native FPS.

Το μεγάλο TechAI ερώτημα: Είναι τα generated frames «πραγματικά»;

Ναι και όχι.

Είναι πραγματικές εικόνες.

Εμφανίζονται στην οθόνη.

Το μάτι μας τις βλέπει.

Αλλά δεν αποτελούν όλα ανεξάρτητα game-engine simulation states.

Και αυτή η διάκριση θα γίνεται όλο και σημαντικότερη.

Στο μέλλον ίσως σταματήσουμε να ρωτάμε μόνο:

«Πόσα FPS τρέχει;»

και αρχίσουμε να ρωτάμε:

«Πόσα είναι rendered και πόσα generated;»

Η GPU του μέλλοντος ίσως δεν αποδίδει κάθε pixel

Αυτό είναι το πραγματικά επαναστατικό σημείο.

Για δεκαετίες η βιομηχανία βελτίωνε τις GPUs ώστε να μπορούν να υπολογίζουν περισσότερα.

Περισσότερα triangles.

Περισσότερα pixels.

Περισσότερα rays.

Περισσότερα shaders.

Η νέα φιλοσοφία λέει:

Υπολόγισε μόνο ό,τι είναι πραγματικά απαραίτητο.

Και άφησε το AI να ανακατασκευάσει το υπόλοιπο.

Αυτό μπορεί να εφαρμοστεί σε:

resolution,

frames,

ray tracing,

global illumination,

textures,

geometry,

animation.

Το αποτέλεσμα μπορεί να αλλάξει πλήρως την έννοια του real-time rendering.

Από το Rendering στο Neural Rendering

Μπορούμε να φανταστούμε την εξέλιξη περίπου έτσι:

Παρελθόν

Geometry → Rasterization → Pixels

Σήμερα

Geometry → Rendering → Temporal Data → AI Reconstruction → Final Frame

Μέλλον

Scene Data → Sparse Rendering → Neural Reconstruction → Generated Frames → Neural Lighting → Final Experience

Όσο περισσότερο εξελίσσεται αυτό το μοντέλο, τόσο μικρότερο ποσοστό της τελικής εικόνας χρειάζεται να προέρχεται αποκλειστικά από brute-force rendering.

Θα δημιουργεί η AI ολόκληρο το παιχνίδι;

Όχι με την έννοια ότι FSR ή DLSS δημιουργούν gameplay.

Το game engine εξακολουθεί να υπολογίζει:

physics,

AI agents,

game logic,

player input,

collision,

world state.

Αλλά η τελική εικόνα που βλέπει ο παίκτης μπορεί να περιλαμβάνει όλο και μεγαλύτερο ποσοστό AI-reconstructed information.

Και αυτή η διαφορά είναι θεμελιώδης.

Το AI δεν αντικαθιστά το game engine.

Αλλά αρχίζει να γίνεται ένας από τους σημαντικότερους συνεργάτες του renderer.

AMD vs NVIDIA — δύο διαφορετικές φιλοσοφίες που συγκλίνουν

Ιστορικά μπορούσαμε να περιγράψουμε τη διαφορά αρκετά απλά.

AMD

Compatibility.

Open developer ecosystem.

Broad hardware support.

Analytical reconstruction.

NVIDIA

Dedicated AI hardware.

Tensor Cores.

Deep Learning.

Tighter RTX integration.

Το 2026 όμως αυτός ο διαχωρισμός δεν είναι πλέον τόσο καθαρός.

Η AMD χρησιμοποιεί πλέον Machine Learning.

Έχει neural upscaling.

Έχει ML Frame Generation.

Έχει Ray Regeneration.

Αναπτύσσει Radiance Caching.

Η NVIDIA, από την άλλη, επεκτείνει ακόμη περισσότερο το transformer-based neural rendering.

Οι δύο δρόμοι λοιπόν:

αρχίζουν να συναντώνται.

Ποιο έχει καλύτερη ποιότητα εικόνας;

Δεν υπάρχει μία απάντηση που να ισχύει για κάθε παιχνίδι και κάθε preset.

Η τελική ποιότητα εξαρτάται από:

την έκδοση του upscaler,

το παιχνίδι,

την ποιότητα της integration,

την output resolution,

το quality preset,

την ποσότητα motion,

το Ray Tracing,

το sharpening,

τους drivers.

Ιστορικά το DLSS είχε ισχυρό πλεονέκτημα στο neural reconstruction.

Το ML-based FSR 4/4.1 όμως μείωσε σημαντικά τη διαφορά, ιδιαίτερα σε temporal stability, ghosting και detail preservation σε σχέση με FSR 3.1, σύμφωνα και με την τεχνική τεκμηρίωση της AMD.

Για πραγματική σύγκριση χρειάζεται επομένως:

ίδιο παιχνίδι + ίδια σκηνή + ίδιο output resolution + αντίστοιχο quality mode.

Ποιο προσφέρει μεγαλύτερη συμβατότητα;

Εδώ η οικογένεια FSR εξακολουθεί να έχει ένα ιδιαίτερο πλεονέκτημα.

Οι παλαιότερες analytical εκδόσεις της τεχνολογίας μπορούν να λειτουργήσουν σε μεγάλο εύρος GPUs.

Η AMD διατηρεί αυτές τις εκδόσεις παράλληλα με το ML FSR.

Έτσι ένας developer μπορεί να προσφέρει:

ML path για νέο Radeon hardware

και

analytical fallback για παλαιότερο ή διαφορετικό hardware.

Το σημερινό SDK προβλέπει ακριβώς αυτή τη δυνατότητα.

Ποιο βρίσκεται πιο μπροστά στο AI rendering;

Σε επίπεδο ωριμότητας του πλήρους neural-rendering οικοσυστήματος, το DLSS έχει μεγαλύτερη ιστορική διαδρομή και βαθύτερη ενσωμάτωση με dedicated Tensor hardware.

Το DLSS 4.5 συνδυάζει πλέον:

second-generation Transformer Super Resolution,

Ray Reconstruction,

Frame Generation,

Dynamic Multi Frame Generation,

έως 6X MFG,

Reflex.

Η AMD όμως έχει κάνει ίσως το σημαντικότερο άλμα στην ιστορία του FSR με το Redstone.

Η μετάβαση από analytical algorithms σε ML-based reconstruction σημαίνει ότι η επόμενη μεγάλη μάχη των GPUs δεν θα αφορά μόνο:

TFLOPS.

Θα αφορά:

πόσο καλά μπορεί κάθε GPU να εκτελεί neural graphics workloads.

FPS δεν θα σημαίνει πλέον αυτό που σήμαινε

Αυτό μπορεί να είναι μία από τις σημαντικότερες συνέπειες.

Παλιότερα:

120 FPS ≈ 120 rendered frames.

Στο neural rendering:

120 displayed FPS ≠ απαραίτητα 120 rendered frames.

Άρα οι μελλοντικές GPU benchmarks ίσως χρειάζονται περισσότερες μετρήσεις:

Base Render FPS.

Generated FPS.

Total Display FPS.

Frame Time.

Input Latency.

Image Stability.

Artifact Rate.

AI Reconstruction Quality.

Η απλή μέτρηση «Average FPS» γίνεται σταδιακά ανεπαρκής.

Οι developers αποκτούν νέο πρόβλημα

Οι developers πλέον δεν πρέπει να βελτιστοποιούν μόνο:

geometry,

textures,

shaders,

CPU performance.

Πρέπει να σκέφτονται και:

motion vectors,

depth buffers,

temporal stability,

reactive masks,

frame pacing,

AI reconstruction,

Frame Generation,

Ray Reconstruction.

Ένα κακό implementation μπορεί να καταστρέψει ακόμη και έναν πολύ καλό upscaler.

Γι' αυτό η ποιότητα integration γίνεται εξίσου σημαντική με την ίδια την τεχνολογία.

Τι σημαίνει αυτό για τον gamer;

Ο gamer του 2026 πρέπει να μάθει να διαβάζει διαφορετικά τα graphics settings.

Δεν αρκεί πλέον:

Low / Medium / High / Ultra.

Τώρα υπάρχουν:

Native.

DLAA.

Native AA.

Quality.

Balanced.

Performance.

Ultra Performance.

Frame Generation.

Multi Frame Generation.

Ray Reconstruction.

Ray Regeneration.

Reflex.

Και διαφορετικοί συνδυασμοί όλων αυτών.

Το graphics menu έχει μετατραπεί σχεδόν σε μικρό:

rendering laboratory.

Ένας πρακτικός κανόνας

Για cinematic AAA gaming:

Native / Native AA
→ μέγιστη καθαρότητα όταν υπάρχει αρκετή GPU ισχύς.

Quality Upscaling
→ συνήθως η καλύτερη ισορροπία εικόνας/performance.

Balanced
→ χρήσιμο όταν χρειαζόμαστε περισσότερα FPS.

Performance
→ ιδιαίτερα χρήσιμο σε 4K και πολύ βαριά Ray/Path Tracing workloads.

Frame Generation
→ εξαιρετικό για αύξηση smoothness όταν υπάρχει ήδη αξιοπρεπές base frame rate.

Για competitive gaming:

υψηλό πραγματικό rendered FPS και χαμηλό latency παραμένουν βασικές προτεραιότητες.

Το πραγματικό FSR vs DLSS δεν είναι πλέον «ποιο έχει περισσότερα FPS»

Η ενδιαφέρουσα σύγκριση είναι πλέον πολύ βαθύτερη.

Ποιο σύστημα:

ανακατασκευάζει καλύτερα pixels;

διατηρεί καλύτερα temporal information;

χειρίζεται καλύτερα disocclusion;

ανακατασκευάζει καλύτερα Ray Tracing;

παράγει σταθερότερα frames;

ελαχιστοποιεί latency;

χρειάζεται λιγότερο dedicated hardware;

κλιμακώνεται καλύτερα σε διαφορετικές GPUs;

ενσωματώνεται ευκολότερα από developers;

Και κυρίως:

πόσο μεγάλο μέρος της τελικής εικόνας μπορούμε να εμπιστευτούμε στην AI;

TechAI Perspective — Η AI μπαίνει μέσα στην ίδια την GPU

Όταν μιλάμε για Τεχνητή Νοημοσύνη, συνήθως σκεφτόμαστε:

ChatGPT,

Large Language Models,

image generators,

robots,

AI agents.

Όμως μία από τις μεγαλύτερες εφαρμογές της AI μπορεί να βρίσκεται ήδη μπροστά μας:

στην οθόνη ενός videogame.

Κάθε φορά που ένα neural upscaler ανακατασκευάζει ένα pixel,

κάθε φορά που Frame Generation δημιουργεί ένα ενδιάμεσο frame,

κάθε φορά που Ray Reconstruction ανακατασκευάζει φωτισμό,

βλέπουμε μια μορφή real-time AI inference.

Και αυτό συμβαίνει δεκάδες ή εκατοντάδες φορές κάθε δευτερόλεπτο.

Η GPU αλλάζει ταυτότητα

Η παραδοσιακή GPU ήταν κυρίως:

graphics processor.

Η σύγχρονη GPU είναι ταυτόχρονα:

graphics processor,

parallel computer,

ray-tracing accelerator,

AI inference processor.

Και στο μέλλον τα όρια αυτών των κατηγοριών πιθανότατα θα γίνουν ακόμη πιο δυσδιάκριτα.

Το rendering και το AI δεν θα αποτελούν δύο διαφορετικές λειτουργίες.

Θα γίνουν ένα ενιαίο pipeline.

Το επόμενο βήμα: Neural Rendering Engine

Μπορούμε να φανταστούμε μια μελλοντική GPU στην οποία το παραδοσιακό rendering δημιουργεί μόνο ένα μέρος των απαραίτητων δεδομένων.

Για παράδειγμα:

Game Engine

↓

Sparse Geometry Rendering

↓

Sparse Ray Samples

↓

Neural Lighting

↓

Neural Super Resolution

↓

Neural Frame Generation

↓

Final 4K/8K Frame

Σε ένα τέτοιο σύστημα, το μεγαλύτερο μέρος της τελικής εικόνας μπορεί να μην έχει αποδοθεί pixel-by-pixel με τον παραδοσιακό τρόπο.

Θα έχει:

reconstructed, inferred και generated.

FSR και DLSS ίσως είναι μόνο η αρχή

Σήμερα συζητάμε για:

upscaling

και

frame generation.

Αύριο μπορεί να συζητάμε για:

Neural Textures.

Neural Geometry.

Neural Animation.

Neural NPC rendering.

AI-generated LODs.

Predictive Lighting.

Neural Physics approximation.

Real-time generative environments.

Το videogame του μέλλοντος μπορεί να αποτελεί συνδυασμό:

simulation + traditional rendering + neural generation.

Το παράδοξο του AI Gaming

Και εδώ υπάρχει ένα ενδιαφέρον παράδοξο.

Όσο καλύτερα γίνονται τα γραφικά…

τόσο λιγότερο χρειάζεται να αποδίδονται πλήρως με τον παραδοσιακό τρόπο.

Για να αποκτήσουμε:

πιο ρεαλιστικό φωτισμό,

μεγαλύτερη ανάλυση,

περισσότερα FPS,

καλύτερο Ray Tracing,

ίσως χρειάζεται να σταματήσουμε να απαιτούμε από την GPU να υπολογίζει τα πάντα.

Αντί γι' αυτό:

υπολογίζουμε το απαραίτητο και προβλέπουμε το υπόλοιπο.

Αυτό είναι ίσως η πραγματική επανάσταση πίσω από FSR και DLSS.

AMD και NVIDIA δεν ανταγωνίζονται πλέον μόνο στις GPUs

Για πολλά χρόνια η μάχη ήταν σχετικά απλή.

Ποια GPU έχει:

περισσότερους shaders;

περισσότερα TFLOPS;

μεγαλύτερο memory bandwidth;

περισσότερη VRAM;

καλύτερο rasterization;

Σήμερα όμως υπάρχει ένας νέος παράγοντας:

Ποια GPU «σκέφτεται» καλύτερα την εικόνα;

Η NVIDIA δημιούργησε νωρίς ένα ισχυρό AI graphics ecosystem μέσω DLSS και Tensor Cores.

Το DLSS 4.5 συνεχίζει αυτή την πορεία με second-generation transformer Super Resolution και Dynamic Multi Frame Generation έως 6X στις RTX 50 Series.

Η AMD απάντησε με τη μεγαλύτερη ίσως αλλαγή στην ιστορία του FSR.

Το FSR Upscaling 4.1 χρησιμοποιεί πλέον Machine Learning και επεκτάθηκε στις Radeon RX 7000 και RX 9000, ενώ το Redstone δημιουργεί μια ευρύτερη οικογένεια τεχνολογιών γύρω από Upscaling, Frame Generation, Ray Regeneration και Radiance Caching.

Επομένως το πραγματικό FSR vs DLSS του 2026 δεν είναι απλώς:

AMD vs NVIDIA.

Είναι η σύγκρουση δύο διαφορετικών οικοσυστημάτων για το ποιος θα καθορίσει το μέλλον του:

Neural Rendering.

TechAI Reflection

Για δεκαετίες το ερώτημα ήταν:

«Πόσο γρήγορα μπορεί η GPU να δημιουργήσει την εικόνα;»

Σήμερα γίνεται:

«Πόσο έξυπνα μπορεί να την ανακατασκευάσει;»

Και αύριο ίσως γίνει:

«Πόσο από την εικόνα χρειάζεται πραγματικά να δημιουργηθεί με τον παραδοσιακό τρόπο;»

Το FSR και το DLSS ξεκίνησαν ως τεχνολογίες που υπόσχονταν περισσότερα FPS.

Σταδιακά όμως εξελίσσονται σε κάτι πολύ μεγαλύτερο.

Σε τεχνολογίες που αλλάζουν τον ίδιο τον ορισμό ενός rendered frame.

Η AMD έχει το FSR και το Redstone.

Η NVIDIA έχει το DLSS και το RTX neural-rendering οικοσύστημα.

Αλλά και οι δύο φαίνεται να κινούνται προς την ίδια μεγάλη ιδέα:

το μέλλον των γραφικών δεν θα βασίζεται αποκλειστικά στο να υπολογίζουμε περισσότερα.

Θα βασίζεται στο να υπολογίζουμε τα σωστά δεδομένα…

και να χρησιμοποιούμε Τεχνητή Νοημοσύνη για να δημιουργούμε έξυπνα τα υπόλοιπα.

AMD FSR vs NVIDIA DLSS — Η μάχη της Τεχνητής Νοημοσύνης για το μέλλον των γραφικών

FSR 4.1 “Redstone” απέναντι στο DLSS 4.5: Upscaling, Machine Learning, Frame Generation, Ray Reconstruction και η νέα εποχή του Neural Rendering

Τα videogames δεν αποδίδουν πλέον απλώς pixels — αρχίζουν να τα προβλέπουν

από το brute-force rendering περνάμε στα intelligent graphics.

Τι είναι το Upscaling;

Native Rendering

Upscaling

Πόσο καλά μπορεί ο αλγόριθμος να ανακατασκευάσει τις πληροφορίες που δεν αποδόθηκαν εξαρχής;

AMD FSR — FidelityFX Super Resolution

FSR 4.

AMD και NVIDIA συγκρούονται πλέον ουσιαστικά στο ίδιο πεδίο: Machine Learning graphics.

Από το FSR 4 στο FSR Upscaling 4.1

AMD FSR Upscaling.

NVIDIA DLSS — Deep Learning Super Sampling

DLSS 4.5.

Από CNN σε Transformer

AI inference μέσα στο rendering pipeline.

FSR 4.1 — Η μεγάλη αλλαγή της AMD

Το FSR δεν προσπαθεί πλέον μόνο να είναι η «ευέλικτη εναλλακτική του DLSS».

Το 2026 έφερε και κάτι ακόμη σημαντικό: RDNA 3

FSR “Redstone” — πολύ περισσότερο από Upscaling

FSR “Redstone”.

FSR Upscaling

FSR Frame Generation

FSR Ray Regeneration

FSR Radiance Caching

DLSS 4.5 — η NVIDIA βρίσκεται ήδη βαθιά στο Neural Rendering

AMD Neural Rendering Ecosystem vs NVIDIA Neural Rendering Ecosystem.

Τι είναι το Frame Generation;

Generated FPS ≠ Rendered FPS

Rendered FPS

Displayed / Generated FPS.

NVIDIA Multi Frame Generation

Τι σημαίνει 6X Multi Frame Generation;

Το μεγάλο πρόβλημα: Latency

NVIDIA Reflex.

Γιατί το βασικό FPS εξακολουθεί να έχει σημασία

Scenario A

Scenario B

multiplier καλού performance

θεραπεία για μη playable performance.

Ray Tracing — το σημείο όπου η AI γίνεται σχεδόν απαραίτητη

Υπολόγισε λιγότερα samples και χρησιμοποίησε AI για να ανακατασκευάσεις το αποτέλεσμα.

NVIDIA Ray Reconstruction

AMD Ray Regeneration

δεν χρειάζεται να υπολογίσουμε τα πάντα — μπορούμε να ανακατασκευάσουμε όσα λείπουν.

Radiance Caching — η AMD κοιτά ακόμη βαθύτερα

FSR vs DLSS — Συνοπτική τεχνολογική εικόνα το 2026

Πού παραμένει ισχυρό το FSR;

Πού παραμένει ισχυρό το DLSS;

βαθιά hardware/software συνεξέλιξη.

Δεν υποστηρίζουν όλες οι RTX όλες τις λειτουργίες

Ποιο DLSS feature;

Το ίδιο ισχύει πλέον και για την AMD

Quality, Balanced, Performance — τι αλλάζει πραγματικά;

Quality

Performance

Γιατί το 4K βοηθά τα upscalers;

4K Quality Mode

1080p Performance Mode.

Τα artifacts δεν εξαφανίστηκαν

Native Resolution vs AI Reconstruction

Native ≠ αυτομάτως καλύτερο σε κάθε χαρακτηριστικό.

DLAA και Native AA

image-quality technology.

Τι συμβαίνει με τα competitive games;

300 displayed FPS

input response αντίστοιχο 300 native FPS.

Το μεγάλο TechAI ερώτημα: Είναι τα generated frames «πραγματικά»;

Η GPU του μέλλοντος ίσως δεν αποδίδει κάθε pixel

Υπολόγισε μόνο ό,τι είναι πραγματικά απαραίτητο.

Από το Rendering στο Neural Rendering

Παρελθόν

Σήμερα

Μέλλον

Θα δημιουργεί η AI ολόκληρο το παιχνίδι;

AMD vs NVIDIA — δύο διαφορετικές φιλοσοφίες που συγκλίνουν

AMD

NVIDIA

αρχίζουν να συναντώνται.