سونی به دنبال ساخت تکنولوژی مشابه DLSS انویدیا برای پلی‌استیشن است
به نظر می‌رسد که بخش سرگرمی‌های تعاملی سونی ممکن است به دنبال راه‌حل‌های بهبود کیفیت تصویر بازی‌ها مشابه DLSS انویدیا و AMD Fidelity FXSR باشد، زیرا آخرین ثبت اختراع آن‌ها که در آوریل گذشته ثبت شد و در پایان ماه گذشته عمومی شد، روش‌هایی را برای بهبود کیفیت تصویر از طریق ترکیبی از یادگیری ماشین و پیاده‌سازی مبتنی بر کامپیوتر بررسی می‌کند.
تصاویر دیجیتال می‌توانند شامل مناطقی از داده‌های گم شده یا خراب باشند. این مناطق از دست رفته یا فاسد، حفره نامیده می‌شوند. حفره‌ها در تصاویر در سیستم‌های رندر مبتنی بر تصویر ایجاد می‌شوند. این حفره‌ها معمولا نامطلوب هستند و روش‌هایی برای پر کردن آن‌ها وجود دارد. تکنیک‌های یادگیری ماشین (Machine learning) می‌توانند حفره‌های تصاویر را با نتایج باکیفیت پر کنند. با این حال، این تکنیک‌ها عملکردی فشرده و به سخت‌افزار قدرتمند و زمان زیادی نیاز دارند.
نمونه‌ای از یک سیستم رندر مبتنی بر تصویر، یک دستگاه واقعیت مجازی است که یک محیط واقعیت مجازی را نمایش می‌دهد. کاربری که از هدست واقعیت مجازی استفاده می‌کند، توسط دو نمایشگر در هدست، با نمایشی از یک صحنه‌ی سه بعدی روبرو می‌شود. همان‌طور که کاربر سر خود را حرکت می‌دهد، یک صحنه‌ی جدید با توجه به موقعیت و جهت گیری جدید هدست تولید و نمایش داده می‌شود. به این ترتیب کاربر می‌تواند به اطراف یک شیء در صحنه نگاه کند. مناطقی از صحنه‌ی اولیه که در صحنه‌ی جدید به دلیل حرکت قابل مشاهده می شوند، مسدود توصیف می‌شوند. صحنه‌های نمایش داده شده ممکن است توسط سخت‌افزار رایانه در رایانه‌ی شخصی یا کنسول متصل به هدست یا توسط یک سرویس رندر مبتنی بر سرویس ابری از راه دور تولید شوند.
سرعتی که در آن داده‌های تصویری به هدست ارائه می‌شوند با پهنای باند اتصال بین هدست و رایانه، کنسول یا سیستم رندر مبتنی بر سرویس ابری محدود می‌شود. در نتیجه گاهی اوقات به دلیل محدودیت‌ها یا وقفه‌های پهنای باند، تمام داده‌های لازم در یک زمان معین برای ساخت و نمایش کامل یک صحنه در دسترس نیست. حفره‌های موجود در داده‌های تصویری که صحنه را تشکیل می‌دهند، یک نتیجه‌ی نامطلوب به وجود می‌آورند و تأثیر منفی قابل‌توجهی بر حس غوطه‌وری کاربر خواهند داشت.
روش جدید به طریقی سودمند باعث می‌شود که حفره به‌سرعت و کارآمد پر شود؛ در حالی که احتمال دستیابی به نتیجه‌ای با کیفیت بالا را افزایش می‌دهد. مزیت این امر باعث کاهش بار روی پردازنده‌ی سخت‌افزار مذکور هم می‌شود. در واقع پیکسل‌های نزدیک که شناسه‌های متفاوت با پیکسل‌های حفره دارند، نسبت به پیکسل‌هایی که شناسه‌های منطبق دارند، به احتمال زیاد با داده‌های پیکسلی از دست رفته متفاوت به نظر می‌رسند. بنابراین استفاده از پیکسل‌هایی با شناسه‌های یکسان، بار محاسباتی را بر روی پردازنده کاهش می‌دهد.
دومین فرآیند پر کردن حفره‌ها ممکن است شامل فرآیند یادگیری ماشینی باشد. فرآیندهای یادگیری ماشین تصویر با کیفیت بالا را ارائه می دهند. با ارائه‌ی یک فرآیند یادگیری ماشین به‌عنوان دومین فرآیند پر کردن حفره، به طور مطلوب تعادل بهبودیافته‌ای بین سرعت و کیفیت پردازش تصویر حاصل می‌شود.
این فناوری بی‌شباهت به فناوری یادگیری عمیق (DLSS) انویدیا نیست که از تکنولوژی آپ‌اسکیلینگ در کارت‌های گرافیک خود برای بهبود وضوح تصویر استفاده می‌کند. با این حال، به نظر می‌رسد که سونی در حال کار روی این فناوری برای آوردن آن به پلی‌استیشن ۵ و احتمالا نسخه‌ی دوم هدست واقعیت مجازی پلی‌استیشن VR است.
منبع: MP1st
