Die Intelligenz einfacher neuronaler Netzwerke ist begrenzt (Wide Learning) und zumeist verallgemeinern sie Problemlösungen.
In dem Fall von DLSS ist auf der GPU keine weitere Probleminteraktion gefordert, sondern lediglich die Ausführung des Algorithmus der dazu dient vordefiniertes Anti-Aliasing auszuführen und vor dem erkennen, bestimmte Sichtbereiche abzutasten und dann das Bild zu ergänzen. Beim Deep Learning (auf dem KI Ausgangsnetzwerk) löst der Algorithmus das Problem von selbst, weil ihm eine Auswahl an Problemstellungen bereits bekannt ist und die Lösung dann innerhalb der Klassifikation linear angewandt wird. DLSS auszuführen benötigt auf dem Anwender PC keine Schlussfolgerungen. Es geht lediglich um die Erkennnung der Bereiche in denen Anti-Aliasing angewandt werden muss, um ein bestimmtes Ergebnis anhand von vordefinierten Merkmalen zu erreichen.
Hier liegen auch die Unterschiede zwischen Machine Learning und Deep Learning als Steigerungform. Während einfacheres Machine Learning nur etwas erkennt (Formen, Farben usw.) und dann ein vordefinierter Algorithmus die Fehler im Bild beseitigt, kann Deep Learning über eine Problemklassifikation eine Auswahl treffen und dann sogar Lösungen kombinieren. Wiederherstellen eines Bildes anhand von Bildfragmenten. Dazu eignet sich ein DLSS Algorithmus nicht.
Das Filtern des DLSS Bildes ist in dem Fall keine Art weiterer Lösungansatz, sondern dient lediglich den Unschärfeeffekt von AA zu lindern. Dafür ist keine Intelligenz nötig und es wird im Vollbildverfahren ausgeführt. DLSS benötigt damit auf dem Anwender PC keine Kreuzprodukteignung. Es gibt dabei auch keine Überraschungfaktoren, daher muss man Wide Learning und Deep Learning in dem Fall auch nicht kombinieren. Es geht beim DLSS um die einfache Analyse.
