인텔은 SIGGRAPH & HPG 2025에서 통합 및 개별 GPU 모두에 대한 시각적 충실도와 성능 향상 측면에서 상당한 진전을 발표했습니다.
시각적 품질 향상: 인텔의 통합 GPU에 대한 전략적 집중
통합 그래픽 처리 장치(iGPU)의 환경은 극적으로 변화했습니다.10년 전만 해도 iGPU는 주로 미디어 재생용으로 사용되었고, 게임 경험은 대체로 만족스럽지 못했습니다.그러나 최근 기술 발전으로 많은 통합 솔루션이 보급형 외장 GPU 수준의 성능에 근접할 수 있게 되었습니다.인텔은 이제 iGPU의 시각적 품질과 성능을 더욱 향상시키는 데 전념하고 있습니다.
차세대 iGPU와 개별 GPU에 대한 이러한 목표를 달성하기 위해 Intel은 다음과 같은 전략적 이니셔티브를 추진하고 있습니다.
- 경로 추적 효율성 향상
- Neural Graphics 기술 탐색
- 형광과 같은 혁신적인 물리 기반 효과 도입
주요 목표는 iGPU를 활용하는 전력 효율적인 장치에 최적화된, 특히 경로 추적을 포함한 고충실도 시각 효과를 제공하는 것입니다.시뮬레이션에 광자 경로를 광범위하게 사용하므로 계산량이 많은 것으로 알려진 경로 추적은 깨끗한 이미지를 생성하기 위해 노이즈 감소가 필수적입니다.인텔의 접근 방식에는 시각적 품질을 최대 10배까지 크게 향상시키는 리샘플링 중요도 샘플링(Resampled Importance Sampling)이 포함됩니다.
다음과 같은 혁신이 이러한 향상된 품질에 기여합니다.
SIGGRAPH 2025에서 채택된 이 최근 연구는 재샘플링된 중요도 샘플링(Resampled Importance Sampling)을 개선하여 실시간 경로 추적을 발전시킵니다 .이 기술은 샘플을 로컬 히스토그램으로 구성하고, 대조 패턴을 가진 준 몬테카를로 샘플링을 활용하여 노이즈를 효과적으로 최소화합니다.이 방법을 블루 노이즈와 결합하면 시각적으로 상당한 향상을 가져와 최대 10배 더 나은 결과를 얻을 수 있습니다.
이러한 발전은 Cyberpunk 2077과 같은 유명 AAA 타이틀에 사용된 최첨단 기술을 기반으로 하여 하이엔드 게임 경험과 저전력 하드웨어 간의 격차를 메웁니다.
수많은 장애물에도 불구하고 기술의 발전은 분명합니다.간단한 장면을 사용한 초기 실험부터 역동적인 식물과 조명 전환과 같은 복잡한 요소가 포함된 복잡한 애니메이션 정글 유적 장면까지, 픽셀당 1샘플(1 SPP)로 완전한 경로 추적을 통해 Intel B580 GPU에서 1440p로 초당 30프레임을 안정적으로 달성했습니다.
인텔을 통해
이러한 개발 외에도 인텔은 더 많은 사용자에게 공개된 AI 가속 레이 트레이싱 도구인 Open Image Denoise의 두 번째 버전을 공개했습니다.이 오픈소스 라이브러리의 첫 번째 버전은 업계에서 높은 평가를 받고 있으며, 이번 업데이트는 인텔, 엔비디아, AMD를 포함한 모든 주요 GPU 간의 호환성을 향상시켜 벤더 간 지원이 강화될 것을 약속합니다.
인텔은 신경망 아키텍처를 통합하여 시각적 효과를 더욱 향상시키고 성능을 향상시키는 차세대 디노이저를 적극적으로 개발하고 있습니다.최근 시연에서는 인텔 Arc B580 GPU에서 1440p 해상도로 ” 조 개의 삼각형 경로 추적 “을 구현하여 안정적인 30FPS를 구현했습니다.
성능과 이미지 품질은 경로 추적의 각 단계에서 처리되는 광선의 수와 직접적인 관련이 있습니다.
컴퓨팅 요구량과 메모리 사용량을 최소화하기 위해 각 반사에 대해 1개의 SPP와 단일 광선을 사용합니다.그러나 경로 추적의 본질적인 가변성으로 인해 결과 이미지에 눈에 띄는 노이즈가 발생할 수 있습니다.각 픽셀의 렌더링은 하나의 무작위적인 빛 경로를 기반으로 하기 때문에, 특히 간접 조명이나 반사와 같은 복잡한 조명 조건에서 밝기와 색상에 상당한 변동이 발생합니다.저희 솔루션은 시공간적 공동 신경 잡음 제거 및 슈퍼샘플링 모델을 사용하여 노이즈를 제거하고 디테일을 향상시킵니다.
인텔을 통해
이 인상적인 시연의 주요 내용은 다음과 같습니다.
- 실시간 성능을 위한 경로 추적의 연산 비용 절감은 중요한 과제이며, 현재 업계와 학계 모두에서 연구의 초점이 되고 있습니다.저희는 블로그 게시물 시리즈를 통해 1조 개의 삼각형으로 이루어진 애니메이션 정글 유적 장면의 실시간 경로 추적에 대한 통찰력을 공유하며, Intel Arc B580 GPU를 사용하여 1440p에서 30FPS를 성공적으로 달성했습니다.
- 이 블로그 시리즈는 1 SPP 노이즈 제거 및 슈퍼샘플링의 실용적인 응용 프로그램을 강조합니다.여기에는 시각적 품질 평가 지표, 1조 개의 인스턴스화된 삼각형이 있는 고도로 복잡한 장면에서 애니메이션을 관리하는 방법, 콘텐츠 생성 및 성능 최적화에 관련된 상충 관계가 포함됩니다.
특히 인텔은 시공간적 공동 신경 잡음 제거 및 슈퍼샘플링 모델을 사용하여 디테일 재구성 및 노이즈 감소를 향상시키고자 합니다.이러한 접근 방식은 NVIDIA의 DLSS 3.5에 포함된 광선 재구성 기술 및 AMD의 FSR Redstone 기술에 포함된 곧 출시될 광선 재생성과 유사합니다.
- 미세한 텍스처 디테일: 디노이저는 노이즈 감소를 목표로 하는 최적화를 통해 더 부드러운 결과를 생성하는 경우가 많습니다.하지만, 특히 고주파 노이즈와 실제 신호를 구분하기 어려울 때 미세한 디테일이 손실될 수 있습니다.
- 깜빡임: 노이즈가 제거된 개별 프레임은 깨끗하게 보이지만, 프레임 간 미세한 차이로 인해 시간이 지남에 따라 눈에 띄는 깜빡임이 발생할 수 있으며, 특히 조명이나 장면 역학의 변화로 인해 발생할 수 있습니다.균형 잡힌 시간 손실은 출력을 안정화할 수 있지만, 과도한 사용은 고스팅 아티팩트를 초래할 수 있습니다.
- 모아레 패턴: 고주파 디테일을 언더샘플링하여 장면 디테일과 픽셀 그리드 사이에 시각적 간섭을 발생시키는 모아레 패턴이 발생합니다.이러한 패턴을 처리하는 다양한 샘플로 모델을 학습하면 노이즈 제거 성능을 향상시킬 수 있습니다.
- 그림자 재구성: 모션 벡터가 없다면 그림자를 정확하게 재구성하는 것은 여전히 복잡합니다.다양한 조명 조건을 가진 샘플로 학습하면 모델의 그림자 재현성을 향상시킬 수 있습니다.
- 폐쇄성 장애: 이전에 가려져 있었지만 움직임을 통해 보이는 영역에서 문제가 발생합니다.모델은 일관성 없는 패턴으로 인해 이러한 영역을 재구성하는 데 어려움을 겪고, 때로는 고스팅 아티팩트가 발생합니다.대표 표본으로 훈련 데이터를 강화하면 이 문제를 해결하는 데 도움이 됩니다.
- 반사: 그림자와 마찬가지로 반사 재구성은 노이즈가 많은 색상 입력에 의존합니다.보조 버퍼에 첫 번째 비반사적 입력을 포함하면 특히 반사 표면의 반사 품질이 크게 향상됩니다.
저전력 GPU에서 고성능 시각적 충실도를 더욱 강화하기 위해 인텔은 DirectX Cooperative Vector와 호환되는 하드웨어 가속 텍스처 세트 신경 압축(TSNC) 기술을 도입했습니다.이 기술은 최신 칩에서 AI 기반 하드웨어 기능의 잠재력을 극대화하여 FMA(Fused Multiply Add)를 사용하는 기존 컴퓨팅 중심 구현 방식 대비 최대 47배의 성능 향상을 달성합니다.주목할 만한 성능 지표는 다음과 같습니다.
- Intel Arc 140V(Lunar Lake): 2.6ms(BC6 기준) / 2.1ms(협동 벡터가 있는 TSNC)
- Intel Arc B580(배틀메이지): 0.55ms(BC6 기준) / 0.55ms(협동 벡터가 있는 TSNC)
인텔의 TSNC는 더 작은 텍스처 메모리 공간을 활용하면서도 기존 BC6 압축과 동등하거나 더 나은 성능 수준을 보여주므로 리소스 사용을 최적화하고 전반적인 성능을 향상시킵니다.
인텔의 최근 시연과 발표를 통해 공유된 통찰력은 회사의 미래 궤적을 잘 보여줍니다.인텔은 기존 이미지에서 벗어나 GPU 분야에서 혁신을 선도하는 기업으로 자리매김하고 있습니다. Xe2와 같은 아키텍처를 통해 인텔은 엔트리급 외장 GPU 시장과 통합 솔루션 모두에서 강력한 입지를 굳건히 하고 있는 것으로 보입니다.이러한 유망한 발전은 iGPU 분야에 혁신을 가져올 수 있으며, 향후 출시될 제품에 대한 기대감은 오픈 소스 개발에 대한 인텔의 의지를 반영합니다.
답글 남기기