英伟达DLSS 4大幅提升帧率确实很强但事情并不简单|英伟达|DLSS_新浪科技

英伟达DLSS 4大幅提升帧率确实很强但事情并不简单

　　【CNMO科技】在2025年国际消费类电子产品展览会（CES 2025）上，英伟达凭借RTX 5090显卡的发布抢尽风头，带来了众多新技术，其中最为引人注目的是DLSS 4。DLSS 4技术为英伟达GPU引入了多帧生成功能，当RTX 50系列显卡上市时，能立即为超过75款游戏提供高达4倍的性能提升。

　　然而，关于DLSS 4的实际运行机制，市场上存在诸多误解。这既受到了英伟达CEO某些可能产生误导的言论的影响，也与DLSS技术本身的重大变化有关。因此，市场上对于这项新技术的功能、能力以及重要限制存在着不少错误信息。

并不能“预测未来”

　　关于正确理解DLSS 4工作原理的一大障碍，源自英伟达CEO黄仁勋在一次问答活动中的表述。面对媒体关于DLSS 4技术细节的询问，黄仁勋坚决否认DLSS 4采用了帧插值技术，而是将其描述为“预测未来”，而非“插值过去”。这一言论虽然有助于向公众普及DLSS 4等高级技术概念，却也不幸地引发了关于DLSS 4实际运作机制的误解。

　　DLSS 4的多帧生成技术本质上运用了帧插值方法，这与DLSS 3的技术基础一致，也是其他帧生成工具（例如Lossless Scaling和AMD的FSR 3）所采纳的方法。帧插值的过程是：显卡先渲染两帧图像，然后通过算法分析这两帧间的差异，并据此“推算”出一个中间帧，即根据已渲染帧的差异预测出缺失帧的样貌。

　　尽管关于生成帧的新技术（特别是英特尔的帧外推研究）的早期探索已经起步，但该技术仍处于发展阶段。尽管某些细节目前尚未公开，但多方信息已证实，DLSS 4确实采用了帧插值技术。这并不奇怪，因为这类渲染工具的发展往往伴随着大量研究论文的积累，最终才转化为如DLSS 4这样的市场产品。

　　然而，这并不减损DLSS 4的性能优势。尽管在创建新帧时采用了与DLSS 3相似的技术，但这并不应掩盖DLSS 4所能达成的显著成效。

延迟并非线性增长

　　英伟达对于DLSS 4采用帧插值技术保持低调的一个主要原因不难洞悉，帧插值可能会带来延迟问题。在使用帧插值工具时，需要在显示序列的首帧之前预先渲染两帧，随后执行插值操作，因此本质上会存在一定的延迟。

　　部分媒体曾表达忧虑，希望了解“新的帧生成技术如何影响延迟”，另有媒体则指出“用户担忧多帧渲染可能加剧‘延迟’问题”。这些担忧源于对DLSS 4能够生成多个“虚拟”帧的直观理解，如果生成一帧会增加延迟，那么生成更多帧似乎会进一步加剧延迟。然而，事实并非如此简单。

　　理解DLSS 4采用帧插值的关键在于无论是DLSS 3生成一个额外帧，还是DLSS 4生成三个额外帧，延迟的影响机制本质上是一致的，都需要先渲染两帧，并比较它们之间的差异。在两帧之间插入一帧、两帧或三帧，所引入的延迟增量并非线性增长。无论插值多少帧，该过程带来的延迟大致保持恒定。

　　以实例说明，假设游戏以每秒60帧（fps）运行，即每帧间隔16.6毫秒。使用DLSS 3后，帧率翻倍至120 fps，但延迟并未减半至8.3毫秒；游戏画面虽更流畅，但帧间渲染间隔仍为16.6毫秒。同理，DLSS 4可将帧率提升至240 fps，即四倍于原始帧率，但延迟亦不会骤降至4.2毫秒，而是保持在16.6毫秒。

　　这是对PC延迟的简化阐释，未考虑DLSS帧生成的运算开销、显示器及鼠标引入的延迟等因素，但有助于理解在帧插值中增加帧数时，核心延迟并不线性增长。帧间渲染时间间隔不变，所经历的延迟主要仍取决于DLSS帧生成前的基准帧率及工具开销。

　　尽管大部分额外延迟源自缓冲额外帧的过程，但增加更多中间帧带来的延迟增量相对较小。DLSS计算渲染两帧间更多帧的额外延迟有限，因此DLSS 4与DLSS 3相比，延迟增加并不显著。

　　DLSS 4的延迟特性与DLSS 3相似。若基准帧率较低，响应性与视觉流畅性之间可能出现脱节，这在DLSS 4中可能更为显著，但并不意味着延迟会急剧上升。因此，英伟达的新技术Reflex 2虽令人瞩目，但并非DLSS 4的必需配套。与DLSS 3一样，开发者为DLSS 4实现Reflex的基础版本即可。

DLSS 4的工作原理

　　英伟达对于DLSS 4工作原理的说明或许会让人感觉它只是DLSS 3的自然演进，但实际上，两者之间存在显著的区别。DLSS 4之所以与众不同，很大程度上是因为它采用了全新的AI模型架构，更准确地说，是多种AI模型的集成应用。据英伟达详尽介绍，在执行超分辨率、光线重建及多帧生成任务时，DLSS 4会为每一帧渲染部署五个独立的AI模型，且这些模型都需在毫秒级时间内高效运行。

　　针对DLSS 4的任务需求，英伟达摒弃了传统的卷积神经网络（CNN），转而采用视觉Transformer模型。这一转变带来了两大关键变化。一是引入了“自注意力”机制，使模型能够跨越多帧追踪像素的重要性，通过自我参照的方式，新模型能更精准地聚焦于问题区域，比如超分辨率处理中可能出现的细微闪烁问题。