【免费下载链接】OptiScaler-DLSSNR-PreSR-MultipassA game mod that uses NVIDIA AI to change lighting, detail and colour, with controls for strength and performance.项目地址https://gitcode.com/gh_mirrors/op/OptiScaler-DLSSNR-PreSR-Multipass点击查看免费下载OptiScaler-DLSSNR-PreSR-Multipass 是 OptiScaler 的一个社区改良分支它的核心卖点是让 NVIDIA 的 DLSS Neural RenderingDLSS 5 神经渲染模型运行在超分辨率之前Pre-SR并支持同一模型多次叠加Multipass。简单说这个 mod 用 AI 重画游戏的光照、细节和色彩而把模型放在上采样前这个选择直接决定了它的耗费和画面走向。先搞懂流程Neural Rendering 到底插在哪一步普通游戏渲染链路是这样的游戏先按工作分辨率比如 4K 输出配 DLSS Performance 时的 1920x1080渲染一帧DLSS Super Resolution 把这帧上采样到显示器分辨率比如 3840x2160最终画面输出到屏幕。Neural Rendering下文简称 NR是独立于上采样的一条 AI 通道它不负责放大而是对颜色输入做再创作调整光照氛围、补充细节、修改色调。OptiScaler 里它有两个可放置的位置后处理默认v0.2.0 的旧接缝在 DLSS 上采样之后运行模型看到的是放大完的 4K 画面Pre-SR本分支的重点把RunBeforeSRtrue打开模型在 Super Resolution之前、直接处理游戏原始工作分辨率的颜色输入。这一句配置背后是整个分支的设计差异所在。⚡ 为什么 Pre-SR 更快一道分辨率算术题这是 Pre-SR 最直接的收益——模型要算的像素更少。以 4K 输出 DLSS Performance约 1/2 工作分辨率为例放置位置模型输入分辨率像素量上采样前Pre-SR1920x10801 份上采样后Post-SR3840x21604 份模型耗时大致与像素数成正比所以同样一次推理放在前面只要约 1/4 的 GPU 开销。再叠加WorkingScale模型工作缩放参数开销还会按平方下降——设成0.5时模型实际只算 1/4 的像素再放大回目标尺寸而画面本身不会被缩小。设计文档 pre-sr-multipass.md 里的描述很直白Pre-SR 让 NR作用于 Super Resolution 之前的颜色输入并且 SR 与 RRSRRay Reconstruction 组合路径共享同一套WorkingScale和Passes控制见 INSTALL-DLSSNR.md。 放在前面画面会发生什么变化把模型挪到上采样前不只是省资源处理对象本身也变了吃的是原始颜色输入此时帧还没被 DLSS 上采样器重新诠释NR 的修改随后会被游戏的超分自然放大细节表现更原生比例式合成而非简单加色模型返回的是一张完整图OptiScaler 把它按亮度比例合成回原帧——强度为 0 时画面与原帧逐位相同高光的模型行为也得以保留早期加法合成版本的问题正是这里天然不碰 HUDPre-SR 时机下界面还没绘制即便用作用于成图的后处理模式该 pass 也在 HUD 绘制前运行所以游戏菜单、准星不会被 AI 涂抹。这些合成与防护细节包括被两次验证后放弃的时域滤波、被移除的 HUD 检测都记录在 OptiScaler/dlssnr/README.md 的 Design notes 一节。 Multipass同一个模型跑两到三层除了位置这个分支的另一个关键字是Multipass。PassesN1 到 3让同一个 NR 模型在一次编码和一次最终合成之间顺序执行多层每一层都拥有独立的持久化模型实例和时域历史层与层之间通过两块同尺寸资源乒乓传递base - A - B - A帧只编码一次基础代理保持不可变最终答案只和这个不可变基线合成一次因此颜色与传输设置不会逐层复利叠加局部色调Local tone只由第一层施加每一层可以单独指定 Preset / Style / 强度如Pass2Preset、Pass2Intensity未指定的项继承第 1 层代价是可预期的2 层、3 层分别约为 1 层的2 倍、3 倍模型时间——历史测试发现更多层只是过度处理成本和伪影持续增长所以上限被钳在 3。每层参数如何解析参见 PassProfiles.h。️ 上手指南一个开关启用 Pre-SR进入游戏后按Insert打开 OptiScaler 菜单游戏需使用 DLSS 且走 OptiScaler 的 D3D12 路径在DLSS Neural Rendering面板勾选Apply before Super Resolution即对应 INI 中的RunBeforeSR不想用菜单的话直接编辑 OptiScaler.ini[DlssNr] Enabledtrue RunBeforeSRtrue Passes1 WorkingScale1.0启用后建议把 DLSS 切到 Performance 档位然后在OptiScaler.log里确认这行日志说明 Pre-SR 路径已生效DLSS-NR running before SR: target 2558x1439, model 2558x1439, ...日志判读与故障排查模型未初始化、菜单打不开等见 INSTALL-DLSSNR.md 的 Diagnose a missing menu 一节。⚠️ 边界情况什么时候会悄悄退回后处理Pre-SR 对输入布局有要求OptiScaler 会在不满足时自动回退到上采样后路径而不是出错带填充padded的输入比如游戏把 2558x1439 的画面画进 2560x1440 的纹理。v0.6.1 起零偏移的此类输入只拷贝活动矩形进紧凑纹理处理填充区原样保留Pre-SR 得以保留修复记录见 docs/PADDED-PRESR.md非零颜色偏移、越界或不完整活动尺寸、不支持的纹理布局仍回退到 Post-SRRay Reconstruction 组合v0.7.4 起RunBeforeSR统一管 SR 与 RRSR 两种情况若担心 RR 的降噪抹掉 NR 的修改可试实验性的ResidualAcrossRR它把模型修改当作带运动补偿时域历史的残差等 RRSR 完成后再加回画面上见 OptiScaler/dlssnr/design/pre-sr-multipass.md 的 Across-RR residual。另外如果你的目标是压制成图阶段的绿噪声如上图中大量彩色噪点那是另一个开关FinishedPicture的职责——它与RunBeforeSR组合使用可以让模型在上采样前生成修改、再作用到成图上属实验性组合。 成本与注意事项老卡开销更大RTX 20/30 走 FP16 路径明显更重建议配合WorkingScale0.5降低模型工作分辨率RTX 20/30/40 还需要 ShortFuse 的跨代 310.8 兼容运行时SHA-256 校验值在 INSTALL-DLSSNR.md 中给出这是实验性功能官方文档明确提示 NR 可能带来闪烁或其他视觉问题Pre-SR 与 RR 的组合更需实测强度 0 原样由于是比例式合成把TransferStrength调回 0 即可逐位还原上采样输出方便随时 A/B 对比涉及反作弊的联机游戏请勿注入此类 DLL。小结Pre-SR 的本质是一笔很划算的交易用模型看到上采样前的工作分辨率换来约数倍的 GPU 节省同时让神经渲染的修改经由游戏自己的 DLSS 自然放大Multipass 则在这条路径上叠出可逐层调参的强度梯度。打开RunBeforeSR、从 1 层和 100%WorkingScale起步、看日志确认生效就是体验这个分支最短的路径。赞分享【免费下载链接】OptiScaler-DLSSNR-PreSR-MultipassA game mod that uses NVIDIA AI to change lighting, detail and colour, with controls for strength and performance.项目地址https://gitcode.com/gh_mirrors/op/OptiScaler-DLSSNR-PreSR-Multipass点击查看免费下载相关推荐OptiScaler-DLSSNR-PreSR-Multipass 实验特性 Deferred DLSSSR 前生成、SR 后应用与符号残差载体原理OptiScaler DLSSNR PreSR Multipass 实验特性 Deferred DLSSSR 前生成、SR 后应用与符号残差载体原理 OptiOptiScaler-DLSSNR-PreSR-Multipass 新手设置指南[DlssNr] 配置中必会的 6 个核心参数OptiScaler DLSSNR PreSR Multipass 新手设置指南 DlssNr 配置中必会的 6 个核心参数 OptiScaler DLSSNfuzzy_match vs 其他匹配工具为什么它是中小规模数据匹配的最佳选择fuzzy_match vs 其他匹配工具为什么它是中小规模数据匹配的最佳选择 在数据处理和搜索场景中字符串匹配工具是开发者不可或缺的利器。面对琳琅满目的开发工具上一篇AutoDllPlugin 源码解析深入理解自动 DLL 插件的实现原理下一篇microbundle输出格式详解CJS、ESM、UMD全对比创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考