Chapter 147: AI Accelerated Rendering

AI Accelerated Rendering 指把经过训练的模型放进渲染流程，用推理结果补足低采样、低分辨率、稀疏材质、低帧率或缺失几何信息。这里的 AI 指深度学习模型、传统机器学习模型和围绕模型部署形成的推理管线；Accelerated Rendering 指模型让某个视觉目标在更低的 GPU 渲染成本下接近目标质量，或者让内容生产和运行时重建的成本下降。

本章的主问题是：在一个实时 frame 中，AI 模块应放在哪个 pass、读取哪些 buffer、输出哪类图像或数据、用什么证据判断它真的提升了渲染系统。读完本章后，读者应能定位 AI 渲染模块在 frame graph 中的位置，判断它属于超分、降噪、插帧、材质生成、动画辅助、场景重建还是内容压缩，并把质量变化、延迟、显存、功耗和平台支持放到同一条检查链里。

贯穿材料是一帧 3D 场景：引擎以 2560×1440 内部分辨率渲染主场景，目标输出是 3840×2160；场景包含一层低采样 ray-traced reflection、一组动态角色、一套 PBR 材质和 UI。AI 模块可能接收 color、depth、motion vector、exposure、reactive mask、history color、roughness、normal、noisy radiance 等输入，输出 4K color、denoised radiance、generated frame 或压缩后的材质参数。所有小节都会回到这帧，判断 AI 模块改变了哪条数据路径。

把 AI 放进渲染流程时，核心判断应落到输入充分性、输出可验证性、调度稳定性和失败路径可控性。一个模型在宣传材料里能生成清晰图像，放入实时 frame 后仍受 motion vector 精度、history 可靠性、资源状态转换、队列同步、显存驻留、UI 合成顺序和硬件矩阵单元约束。

147.1 AI 在图形渲染中的重要角色

AI 在渲染中的角色可以归纳为一类数据重建问题：用有限的实时输入推断更完整、更稳定或更低噪声的视觉结果。对于贯穿材料中的 1440p 到 4K frame，传统渲染路径会继续提高内部渲染分辨率、提高采样数或增加 shader 计算；AI 路径则把已有 frame buffer、几何辅助信息和历史帧交给模型，在后处理或专用 pass 中重建目标输出。

最常见的角色是超分辨率。超分模型读取低分辨率 color、depth、motion vector、jitter offset、exposure 和 history，把 1440p 的主场景推断成 4K 输出。它直接改变 render target 的尺寸预算：前面的 G-buffer、lighting、shadow、reflection、post process 中的一部分可以在较低分辨率运行，最后由模型恢复高分辨率边缘和细节。这里的收益来自前半帧成本下降，代价集中在推理 pass、history 读写和质量验证。

第二个角色是降噪。Ray tracing、path tracing、screen-space reflection 和 global illumination 在实时预算下常使用低 sample count，输出会带有随机噪声。AI denoiser 读取 noisy radiance、normal、depth、albedo、motion vector 和历史结果，重建更稳定的间接光或反射结果。贯穿材料中的 ray-traced reflection 如果每像素只追踪 1 条或少量 ray，AI denoiser 的价值在于减少 sample count，同时保持高光边缘、粗糙材质过渡和遮挡关系。

第三个角色是帧生成。Frame generation 模块通常接收连续真实帧、motion vector、optical flow 或引擎提供的运动信息，生成位于两帧之间的显示帧。它提高的是显示帧率和运动观感，真实输入采样频率、模拟更新频率和用户输入响应仍由游戏主循环决定。把它接入贯穿材料时，应把 UI、鼠标光标、粒子、透明物体和遮挡变化单独检查，因为这些对象的运动来源和场景几何运动来源可能不同。

第四个角色是内容生成与压缩。材质生成模型可以把文字、参考图、扫描数据或少量参数转成 PBR 纹理集；动画模型可以补全姿态、重定向骨骼或预测角色运动；场景重建模型可以从图像、深度、点云或多视角数据恢复几何、radiance field 或语义结构；压缩模型可以把纹理、几何细节或光照场编码到更小的数据表示中。这类能力进入渲染系统后，关注点从“生成是否好看”变成“生成结果是否满足运行时采样、过滤、LOD、碰撞、材质一致性和内存布局”。

这些角色可以用同一组工程维度比较：输入 buffer、输出对象、所处 pass、时间依赖、硬件依赖和失败症状。下表把贯穿材料中的常见 AI 角色放进 frame 语境中。

角色	典型输入	典型输出	所处位置	主要失败症状
超分	color、depth、motion vector、history、exposure	高分辨率 color	后处理到 UI 合成前	细线闪烁、ghosting、透明物体拖影
降噪	noisy radiance、normal、albedo、depth、history	去噪后的 reflection 或 GI	ray tracing pass 后	高光糊化、间接光滞后、边缘漏光
帧生成	前后真实帧、motion vector、optical flow	插入显示帧	呈现链路附近	输入延迟感、HUD 错位、遮挡撕裂
材质生成	参考图、扫描数据、参数、prompt	纹理集或材质参数	离线资产管线或编辑器	法线不一致、roughness 漂移、tile 接缝
场景重建	图像、深度、点云、多视角数据	mesh、radiance field 或代理结构	离线构建或运行时缓存	几何漂浮、遮挡错误、尺度不稳定
内容压缩	纹理、几何、光照场、动画序列	latent 或压缩表示	asset build 或 streaming	解码成本高、细节丢失、跨平台结果差异

对工程师而言，AI 在渲染中的角色首先是替换或增强某个 pass。判断一个 AI 模块是否适合接入，先看它接收的输入是否已经在 frame graph 中稳定存在，再看输出能否接到后续 pass，最后看失败症状是否能用 capture、debug view 或质量指标定位。只要输入、输出、pass 位置和失败症状说不清，模型名称和论文指标都不足以支撑工程决策。

147.2 深度学习与图形管线协同模式

深度学习与图形管线的协同分成两个阶段：离线训练决定模型学会什么映射，运行时推理决定这份映射如何进入 frame。训练阶段可以使用高分辨率 reference、离线 path tracing、超采样图像、材质扫描、动画数据或多视角重建数据；运行时阶段只能使用当前平台在一帧预算内能提供的 buffer、历史帧、常量参数和硬件推理能力。

贯穿材料中的 1440p 到 4K 超分模型，在训练时可能学习“低分辨率 jittered color 加运动信息到高分辨率 reference”的映射；在运行时，它只看到这一帧的 color、motion vector、depth、exposure 和若干历史 buffer。训练数据的覆盖范围会影响模型对粒子、透明物体、UI、亚像素细线和快速遮挡变化的处理能力，运行时输入质量会决定模型是否能把这些能力稳定发挥出来。

协同模式的第一层是 feature buffer。Feature buffer 指为 AI 模型提供场景结构、运动、材质或采样状态的辅助 GPU 资源，例如 depth、normal、roughness、albedo、motion vector、reactive mask、transparency mask 和 exposure。它们的作用是让模型区分“颜色变化来自几何运动、光照变化、材质变化还是历史采样误差”。同一个 color buffer 上的亮度变化，如果没有 motion vector 和 depth，模型很难判断它来自角色移动、镜头移动、反射噪声还是 bloom 的历史残留。

协同模式的第二层是 temporal input。Temporal input 指模型读取前一帧或多帧历史结果，把时间连续性作为重建依据。超分、降噪和帧生成都依赖 temporal input，但依赖方式不同：超分把历史颜色对齐到当前像素以恢复细节，降噪把多帧低采样结果积累成更稳定的 radiance，帧生成根据相邻真实帧推断中间显示帧。temporal input 提供稳定性，也会引入 ghosting、历史污染和遮挡区域错误。

协同模式的第三层是运行硬件。模型推理可以跑在通用 shader、compute shader、tensor core、matrix core、NPU 或平台提供的 ML runtime 上。硬件选择会改变 pass 的调度方式：通用 compute 更容易纳入已有 graphics queue，专用 AI 单元可能带来更高吞吐但需要额外同步和资源拷贝，NPU 适合功耗受限场景但常受资源共享、格式转换和帧间同步限制。移动平台、主机、PC 独显和集显对这些路径的支持差异很大，应以 capability query 和 SDK 版本说明为准。

下面的图把 AI 推理 pass 放进一帧中。图的边界是运行时 frame；训练数据、模型权重生成和资产审核在图外完成。

这条路径的关键点在 E 节点。AI inference pass 同时读取当前帧和历史帧，所以它需要稳定的 resource state、明确的 queue ownership、可预测的 descriptor binding 和固定的输入尺寸约定。F 节点代表模型输出，可能是 4K color、denoised reflection、generated frame 或材质参数。R 节点代表 fallback 决策，当模型输入缺失、硬件不支持、延迟超预算或质量检测失败时，引擎应切回传统 temporal upscaler、传统 denoiser、较低质量 preset 或原生渲染路径。

离线训练和运行时推理之间有一条常被忽视的边界：模型训练指标只能说明训练集和验证集上的统计表现，运行时表现还要受引擎输入约定影响。贯穿材料中的 motion vector 如果没有覆盖透明物体和反射表面，超分模型在这些区域会使用不完整的运动信息；如果 exposure 在 TAA、bloom 和 tone mapping 之间的顺序不稳定，模型输入分布会随画面亮度跳变；如果 depth 使用反向 Z，模型接入层必须明确归一化方式。

因此，深度学习与图形管线的协同要把训练假设、feature buffer、temporal input、资源状态和硬件推理路径连接起来。模型越依赖历史和场景辅助信息，越需要引擎把这些输入当成正式渲染资源管理。

147.3 集成 AI 模块于渲染流程

集成 AI 模块的第一步是定义模型契约。模型契约包括输入 tensor 的尺寸、格式、颜色空间、归一化方式、history 数量、motion vector 单位、depth 约定、输出格式、延迟预算和 fallback 条件。对于贯穿材料中的超分模块，契约可以写成：输入 1440p color、1440p depth、1440p motion vector、exposure、jitter offset 和上一帧 4K history，输出 4K HDR color，并在 UI 合成前完成。

模型格式决定部署路径。通用路径通常使用 ONNX、引擎自定义权重格式或厂商 SDK 封装；Windows 上可以通过 DirectML、WinML、TensorRT、OpenVINO、XeSS、DLSS、FSR SDK 等路径接入，主机和移动平台还会有各自的图形和 ML runtime。ONNX Runtime 的 DirectML Execution Provider 把 ONNX 模型推理映射到 DirectML，DirectML 又建立在 DirectX 12 硬件加速库之上；这种路径适合需要广硬件覆盖的 Windows 推理模块。厂商图形 SDK 则通常提供更完整的图像重建算法、运行时资源约定和质量调试工具。

输入输出 buffer 应优先沿用 frame graph 管理。AI pass 需要读取 render target、texture、structured buffer 和历史资源，也可能写入可被后续 post process 读取的 UAV 或 render target。集成时应明确每个资源的生命周期：当前帧 color 何时写完，motion vector 是否在透明 pass 前后生成，history buffer 何时更新，输出是否进入 tone mapping，UI 是否需要分离合成。把这些资源绕过 frame graph 手工绑定，容易形成隐式同步和难以复查的资源冲突。

推理调度决定 AI 模块对帧时间的影响。超分通常位于主场景后处理阶段，直接增加 GPU critical path；降噪可以在 ray tracing pass 后紧接执行，也可以与部分不依赖其输出的 pass 并行；帧生成靠近 present 链路，除了 GPU 计算，还要处理 frame pacing 和输入延迟。使用 async compute 时，应确认 AI pass 读取的数据已经完成写入，且输出使用前已经完成同步。async compute 只在队列并行和资源依赖允许时降低主队列等待。

下面是一段简化的伪代码，展示 AI upscaler 在 frame graph 中的注册方式。它用抽象 API 说明资源、契约和 fallback 应同时出现。

struct AiUpscaleInputs {
    TextureHandle color1440p;
    TextureHandle depth1440p;
    TextureHandle motion1440p;
    TextureHandle exposure1x1;
    TextureHandle history4k;
};

struct AiUpscaleOutputs {
    TextureHandle color4k;
    TextureHandle nextHistory4k;
};

void RegisterAiUpscalePass(FrameGraph& graph, AiUpscaleInputs in, AiUpscaleOutputs out) {
    graph.AddComputePass("AI Upscale", [&](PassBuilder& pass) {
        pass.Read(in.color1440p);
        pass.Read(in.depth1440p);
        pass.Read(in.motion1440p);
        pass.Read(in.exposure1x1);
        pass.Read(in.history4k);
        pass.Write(out.color4k);
        pass.Write(out.nextHistory4k);
        pass.SetFallback("Temporal Upscale");
    });
}

这段伪代码对应三个工程判断。第一，AI pass 的输入和输出都是 frame graph 资源，因此可以被 barrier、aliasing、lifetime 和 capture 工具追踪。第二，history 被显式读写，说明 temporal stability 是这个 pass 的正式状态。第三，fallback 被写入 pass 定义，说明硬件缺失、模型加载失败或质量检测失败时，frame 仍有可用输出。

质量验证应在集成阶段同步设计。超分应检查静态细节、细线、亚像素几何、快速镜头、透明粒子、反射表面和 UI 边界；降噪应检查低 roughness 高光、接触阴影、薄几何、动态光源和历史重投影；帧生成应检查遮挡切换、HUD、鼠标光标、摄像机快速转向和低真实帧率。验证应覆盖 frame 序列、差分图、稳定性统计和用户输入响应记录，单张截图只适合确认静态细节。

平台支持需要写成 capability tier。以同一套渲染系统为例，NVIDIA 路径可能接入 DLSS 和 Streamline，AMD 路径可能接入 FSR SDK，Intel 路径可能接入 XeSS，Windows 通用路径可能接入 DirectML 或 WinML，主机平台可能使用平台级 SDK，移动平台可能使用 NPU 或 compute shader 模型。不同 tier 对应不同内部渲染分辨率、history 数量、输出质量、帧生成开关和功耗策略。引擎代码应把这些 tier 作为配置组合，并为每个厂商路径保留独立能力边界。

AI 模块的集成顺序可以固定为：先定义模型契约，再接入 frame graph 资源，然后建立推理调度，再设计 fallback，最后用质量场景和性能计数器验证。这个顺序让模型、图形资源、API 状态和视觉结果形成闭环。

147.4 性能评估与优化策略

AI 加速渲染的性能评估应同时计算收益和开销。收益来自主渲染分辨率降低、ray sample count 降低、材质或几何数据压缩、动画和内容生产成本下降；开销来自模型推理、历史 buffer、feature buffer、资源转换、额外显存、队列同步、功耗和质量验证。只报告输出帧率会掩盖真实 frame budget 的变化。

贯穿材料中的 1440p 到 4K 超分路径可以这样评估：先测原生 4K 渲染 frame time，再测 1440p 传统 temporal upscaling，再测 1440p AI upscaling。对每条路径记录 CPU frame time、GPU frame time、AI pass latency、总显存、history buffer 体积、present pacing、输入延迟、功耗和稳定性场景。AI 路径只有在前半帧节省的 GPU 时间大于推理和同步开销，并且质量在目标场景中稳定，才算成立。

Inference latency 是第一项指标。它指模型推理从输入资源可用到输出资源可用的耗时。对于超分和降噪，latency 直接进入 GPU frame time；对于帧生成，latency 还会影响显示链路和 frame pacing。测量时应区分纯模型计算时间、资源状态转换时间、队列等待时间和 SDK 内部调度时间。RenderDoc、PIX、Nsight、Xcode GPU tools 或厂商 inspector 可以作为观察入口，但结论要回到 pass 时间线和资源依赖。

Memory 是第二项指标。AI 模块需要权重、常量、输入 tensor、输出 tensor、history buffer、中间激活和调试资源。超分常需要高分辨率 history；降噪常需要多种 G-buffer 辅助；帧生成可能需要保存多个真实帧和 optical flow 信息。显存紧张时，AI 模块可能触发资源驱逐、别名复用失败或 streaming 抖动。优化时先压缩 history 格式和 feature buffer，再减少中间 tensor 常驻时间，然后检查权重量化和模型变体。

Quality metric 是第三项指标。PSNR、SSIM、LPIPS、temporal error、flicker score、ghosting 统计和人工审核都可以使用，但每种指标回答的问题不同。PSNR 对整体像素差敏感，SSIM 更关注结构相似性，LPIPS 更接近感知差异，temporal error 更适合检查帧间稳定。实时渲染中的最终判断应把指标和视觉场景绑定：透明粒子、薄线、反射边缘、低 roughness 高光、快速运动角色和 UI 边界需要单独样本。

Temporal stability 是第四项指标。AI 模型常用历史帧提升质量，稳定性来自重投影、history clamp、reactive mask、disocclusion detection 和模型内部时间结构。贯穿材料中，如果角色从墙后快速出现，上一帧 history 在新暴露区域没有有效信息；如果模型继续强行使用旧 history，就会出现拖影。优化时应先检查 motion vector 和 depth 是否覆盖该区域，再检查 disocclusion mask，然后检查模型输入中的 reactive mask 或 transparency mask。

Power 是第五项指标。笔记本、掌机、移动设备和 XR 设备常受功耗与散热约束。AI 推理可能降低主渲染分辨率，但专用 AI 单元、GPU compute、显存读写和更高显示帧率也会增加功耗。帧生成尤其需要区分“显示帧率提升”和“系统功耗上升”之间的关系。功耗优化应把 render resolution、模型 preset、帧生成倍率、VSync、动态分辨率和热限制放在同一策略里。

优化顺序可以写成一条可复用检查链：先确定瓶颈属于主渲染、AI 推理、显存带宽、同步等待还是呈现链路；再降低输入分辨率或 sample count；然后压缩 feature buffer 和 history；接着选择模型 preset 或量化版本；最后调整调度，让不依赖 AI 输出的 pass 与推理并行。每次修改后都要同时回归质量场景，因为 AI 模块的优化经常把成本从计算转移到稳定性风险。

帧生成需要单独评估。它提高 displayed FPS，但真实模拟、输入采样和主渲染帧仍按真实帧推进。性能报告应同时写出真实渲染 FPS、显示 FPS、frame generation latency、输入到光子的延迟、掉帧恢复行为和 UI 合成策略。对于交互强的游戏或 XR 场景，高显示帧率如果伴随输入响应下降，整体体验可能变差。

147.5 典型应用与未来趋势展望

典型应用可以从主流 SDK 看出工程方向。NVIDIA 的 DLSS Developer 页面 把 DLSS 描述为一组由 RTX Tensor Cores 驱动的 neural rendering 技术，覆盖 Super Resolution、Ray Reconstruction、Frame Generation、Multi Frame Generation 和 DLAA；Streamline 提供跨硬件厂商的集成框架，目标是用一次集成启用多个超分和图形效果插件。对引擎而言，这说明厂商路径正在从单个 upscaler 扩展成一组围绕帧重建、降噪、插帧和延迟控制的 runtime 契约。

AMD 的 FidelityFX SDK 在 2.2.0 “Redstone” 版本中列出 temporal upscaler、ML upscaler、ML frame generation、ML denoiser 和 radiance caching preview。它体现了另一条工程路线：把超分、插帧、ray denoising 和 path tracing cache 放进同一个 SDK 生态。集成时应以 SDK 的当前版本、API 支持、已知问题和目标 GPU tier 为准，因为同一名称下的功能会随版本变化。

Intel 的 XeSS 3 SDK 覆盖 XeSS Super Resolution、XeSS Frame Generation 和 Xe Low Latency，并提供 XeSS Inspector 用于验证、调试和调优集成数据。这个路径强调了另一个事实：AI 渲染模块需要配套 inspector 或 frame dump 工具。没有输入可视化、marker、API 调用记录和质量 dump，工程团队很难判断模型输出问题来自 SDK、输入资源还是引擎约定。

AI denoiser 的趋势是从单一后处理滤波转向更深的 path tracing 协同。传统 denoiser 依赖 normal、albedo、depth 和历史帧；新的神经降噪、ray reconstruction 和 radiance caching 会进一步读取材质、光照、采样分布和 temporal 信息。贯穿材料中的 reflection denoiser 未来可能同时使用 noisy radiance、material roughness、hit distance、visibility、normal 和 motion vector，把低采样 ray tracing 的噪声压到实时预算内。

Neural material 的趋势是把材质从静态纹理集扩展为可学习表示。运行时仍然需要 PBR 参数、纹理采样、mipmap、anisotropic filtering 和 shader 兼容性，所以 neural material 的工程价值取决于它能否稳定输出可采样的 base color、normal、roughness、metallic、height 或 BSDF 参数。资产管线中可以使用模型生成和压缩材质，运行时则应保留可回退的传统材质表示。

Scene reconstruction 的趋势是把扫描、照片、视频和多传感器数据变成可渲染场景。NeRF、Gaussian Splatting、neural SDF 和混合 mesh 表示都可以服务重建，但实时引擎还要处理 culling、LOD、碰撞、阴影、反射、编辑和 streaming。把重建结果接入贯穿材料中的 frame 时，应先决定它输出 mesh、point/gaussian primitive、volume 还是 texture atlas，再决定它如何参与 depth、motion vector、lighting 和 post process。

未来更关键的变化是硬件和 API 会把图形与 AI 的边界继续压缩。Shader core、RT core、tensor/matrix unit、copy engine、video engine、NPU 和统一内存会共同参与一帧。图形 API 也会继续暴露更接近矩阵计算、协同向量或 ML runtime 的能力。引擎设计需要把 AI 功能写成 capability-driven path：同一视觉目标对应多个实现 tier，高端路径启用神经超分、神经降噪和帧生成，中端路径启用传统 temporal upscaler 与轻量 denoiser，低端路径使用原生分辨率调整和简化效果。

典型应用之间的差异可以归纳成三条判断。第一，DLSS、FSR、XeSS 等产品名称背后是不同的输入约定、硬件依赖、模型更新方式和工具生态。第二，AI denoiser、neural material、scene reconstruction 更依赖资产和采样语义，接入难度通常高于单个后处理超分。第三，未来趋势会让 AI 模块从“帧尾增强器”变成 frame graph 中的正式节点，和 ray tracing、post process、streaming、tooling、quality gate 一起设计。

最小自检任务

给定一帧实时渲染：主场景以 2560×1440 渲染，目标输出 3840×2160；AI upscaler 耗时 2.2 ms，history buffer 占用 96 MB；快速移动角色在薄栏杆前出现拖影，UI 字体偶尔抖动；关闭 AI 后拖影消失但 GPU frame time 增加 4.8 ms。请判断这个 AI 模块是否应继续接入正式渲染路径，并给出排查顺序。

答案要点

应先把收益和问题分开判断。性能上，AI 路径节省的主渲染时间约为 4.8 ms，扣除 2.2 ms 推理后仍有 2.6 ms 的 GPU 时间收益；96 MB history 是显存成本，需要结合目标平台预算评估。质量上，薄栏杆前角色拖影说明 temporal input 或 disocclusion 处理存在问题，UI 抖动说明 UI 合成顺序或 UI 输入进入 upscaler 的方式需要调整。

排查顺序应从输入资源开始。先检查 motion vector 是否覆盖角色、栏杆、透明或 alpha-tested 几何，并确认 motion vector 单位和 jitter 约定与模型契约一致；再检查 depth、reactive mask、transparency mask 和 disocclusion mask 是否在角色新暴露区域给出可靠信号；然后检查 history buffer 更新时机和 tone mapping/exposure 顺序；接着把 UI 从 AI upscaler 输入中分离，改为在 4K 输出之后合成，或使用专门的 UI mask；最后回归快速镜头、薄几何、透明粒子和高对比 UI 场景。

结论应写成带条件的接入决定。该模块可以保留在正式路径的候选 tier 中，因为当前性能收益明确；上线前必须修复 temporal stability 和 UI 合成问题，并提供 fallback preset。若目标平台显存或功耗预算紧张，应降低 history 格式、模型 preset 或内部输出尺寸；若拖影在修复输入后仍持续出现，应把该场景切回传统 temporal upscaler 或原生渲染路径。

本章知识点总结

• AI 角色：AI 加速渲染把低分辨率、低采样或稀疏数据重建成可用图像、材质、动画或场景表示。
• Pass 定位：AI 模块必须落到具体 frame graph 节点，并说明输入资源、输出资源和后续消费路径。
• 超分收益：超分通过降低前半帧渲染分辨率节省成本，再用推理 pass 恢复目标输出。
• 降噪边界：AI denoiser 用 noisy radiance 和 G-buffer 辅助信息稳定低采样 ray tracing 结果。
• 插帧判断：Frame generation 提升显示帧率，真实模拟频率、输入响应和呈现节奏仍需单独评估。
• Feature Buffer：depth、normal、motion vector、roughness、mask 和 exposure 帮助模型区分几何、材质、光照和历史误差。
• Temporal Input：历史帧能提升稳定性，也会把 ghosting、历史污染和遮挡错误带入当前帧。
• 模型契约：输入尺寸、格式、颜色空间、motion vector 单位、depth 约定和输出格式要在集成前固定。
• 资源管理：AI pass 应纳入 frame graph，让 barrier、lifetime、history 和 capture 证据都可追踪。
• 性能评估：推理延迟、显存、质量指标、时间稳定性和功耗要和帧率一起评估。
• 平台分层：DLSS、FSR、XeSS、DirectML、WinML 和平台 SDK 应作为不同 capability tier 处理。
• 未来趋势：AI 渲染会从帧尾增强扩展到超分、降噪、插帧、材质、重建、压缩和 radiance caching 的完整节点体系。