
La technologie Deep Learning Super Sampling (DLSS) de Nvidia est depuis longtemps saluée comme une révolution en matière de performances graphiques. Avec le lancement récent de DLSS 4, qui intègre un modèle Transformer avancé, Nvidia a encore renforcé sa position de leader dans l’industrie du jeu vidéo. De son côté, AMD a progressé avec sa technologie concurrente, FidelityFX Super Resolution (FSR).Malgré les lacunes précédentes de FSR par rapport à DLSS, la dernière offre d’AMD, FSR 4, optimisée par l’IA, vise à combler cet écart.
Cet article fournit une analyse complète de DLSS 4 et FSR 4, soulignant les forces et les faiblesses des deux technologies pour déterminer laquelle offre des performances et une qualité d’image supérieures.
Nvidia DLSS 4 vs AMD FSR 4 : comparaison complète

Évaluation de la qualité d’image dans les technologies de mise à l’échelle
La technologie DLSS de Nvidia utilise l’intelligence artificielle pour produire une qualité d’image remarquable et, à chaque itération, elle propulse la fidélité visuelle vers de nouveaux sommets. Actuellement, DLSS 4 propose deux modèles pilotés par l’IA : le modèle CNN, conçu pour les utilisateurs privilégiant les performances et une qualité d’image acceptable, et le modèle Transformer, qui excelle en clarté visuelle pour une baisse de performances minimale.
À l’inverse, la technologie FSR d’AMD reposait auparavant sur des algorithmes de calcul allant jusqu’à FSR 3, permettant à une gamme plus large de GPU AMD Radeon, y compris les GPU intégrés, de bénéficier d’améliorations de performances. Cette adaptabilité permettait même aux anciennes cartes Nvidia GTX d’exploiter FSR pour bénéficier de fréquences d’images améliorées.
Cependant, FSR a été critiqué pour son manque de qualité d’image, comparable à celle du DLSS, notamment par rapport au dernier modèle Transformer. Suite aux retours des consommateurs, AMD a apporté des améliorations substantielles à FSR 4 en introduisant des algorithmes d’IA. Cette mise à jour a considérablement amélioré la technologie de mise à l’échelle, même si certaines lacunes subsistent.
FSR 4 est désormais capable de fournir une qualité d’image supérieure à celle du modèle DLSS CNN, même si elle reste inférieure à celle du DLSS Transformer dans les scènes statiques. Curieusement, dans les situations dynamiques, FSR 4 surpasse souvent les modèles DLSS CNN et Transformer. Une limitation notable de FSR 4 réside toutefois dans sa compatibilité uniquement avec les derniers GPU Radeon de la série 9000, contrairement à DLSS 4, qui prend en charge tous les GPU Nvidia RTX, y compris ceux de l’ancienne série RTX 2000.
Génération de trames : analyse des améliorations de performances

La technologie de génération d’images (FG) consiste à insérer une image précédemment créée entre deux images rendues, doublant ainsi théoriquement la fréquence d’images du jeu. Nvidia utilise l’IA pour réduire les artefacts visuels et les images fantômes, même si ces problèmes peuvent toujours survenir.
L’approche d’AMD pour la génération d’images par seconde exploite les cœurs de calcul, ce qui permet d’obtenir des images plus nettes et moins problématiques que le modèle CNN précédent de Nvidia. Cependant, le modèle Transformer en DLSS présente toujours un léger avantage sur FSR 4 en termes de génération d’images.
Dans le domaine de la génération multi-images, Nvidia conserve une avance définitive, car AMD n’a pas encore introduit de technologie comparable.
Nvidia DLSS 4 vs AMD FSR 4 : le verdict
Malgré les progrès réalisés avec FSR 4, le modèle DLSS 4 Transformer de Nvidia conserve une excellente qualité d’image globale, notamment pour les scènes fixes. Si FSR 4 surpasse le DLSS CNN en mouvement, il met en évidence un potentiel de croissance concurrentielle.
De même, en ce qui concerne la génération d’images, FSR 4 surpasse DLSS FG utilisant le modèle CNN en offrant des visuels plus propres avec moins d’artefacts ; cependant, DLSS FG utilisant le modèle Transformer prévaut toujours sur FSR 4 FG.
En conclusion, même si Nvidia conserve son avantage concurrentiel, l’écart s’est considérablement réduit, ce qui laisse présager des développements passionnants dans le futur pour les deux technologies.
Laisser un commentaire ▼