GTC 2026 met en avant un pivot discret mais concret : des réseaux neuronaux insérés au cœur du pipeline graphique avec, à la clé, des gains massifs de VRAM et de temps de rendu. Le message dépasse DLSS 5 et cible l’optimisation pure côté assets et shading. Et contrairement à DLSS 5 qui a cristallisé toutes les craintes autour du neural rendering, ce qui a été présenté à la GDC est difficile à contester.
Neural rendering pragmatique : au-delà de DLSS 5
NVIDIA replace le neural rendering dans le pipeline lui-même, loin du seul post-traitement. L’approche s’appuie sur de petits réseaux spécialisés pour décoder des textures, évaluer des matériaux et réduire le trafic mémoire, plutôt qu’un filtre final global.
La session GDC a posé une distinction claire entre trois approches complémentaires. Le post-traitement ML, dont DLSS 5 est l’exemple le plus visible, améliore l’image en sortie de pipeline. Le ML intégré dans le pipeline agit directement sur les shaders, les textures et les matériaux. L’approche générative, elle, produit partiellement ou totalement l’image via un réseau. Aucune n’est supérieure aux autres : elles sont combinables, et c’est précisément ce que NVIDIA démontre ici avec les deux premières.
DLSS 5 n’est qu’un volet, visible côté image finale. La session GDC a détaillé les blocs dédiés à des tâches ciblées, avec des bénéfices immédiats sur l’empreinte mémoire, la bande passante et la vitesse d’évaluation des matériaux, pertinents pour les jeux comme pour la production temps réel.
Neural Texture Compression : de 6,5 Go à 970 Mo
Exemple le plus parlant, la Neural Texture Compression (NTC). Sur la scène Tuscan Wheels, NVIDIA annonce une baisse de l’empreinte VRAM d’environ 6,5 Go avec des textures BCN classiques à 970 Mo avec NTC, à qualité perçue proche de l’original. À budget égal de 970 Mo, NTC conserve davantage de détails que la compression par blocs traditionnelle.
Le principe est simple : au lieu de stocker les texels directement, NTC encode une représentation latente compacte de la texture. Au moment du rendu, un petit réseau neuronal reconstruit les pixels à la volée sur le GPU. Le processus est entièrement déterministe, pas de génération aléatoire, pas d’hallucination. C’est de la compression pure avec reconstruction apprise.
Au-delà de la VRAM, l’intérêt est logistique : installations plus légères, patches plus petits, moins de bande passante réseau, et plus de place pour des assets détaillés sur le même GPU. Pour les développeurs, cela ouvre un espace pour densifier le contenu sans exploser les budgets mémoire. Alexi, intervenant technique de la session, considère NTC comme déjà exploitable en production aujourd’hui.
Neural Materials : moins de canaux, rendu 1080p plus rapide
Autre brique, Neural Materials, qui compresse le comportement matière dans une représentation latente et le décode via un petit réseau. Dans la démo, une configuration à 19 canaux descend à huit canaux, avec des rendus 1080p annoncés 1,4x à 7,7x plus rapides sur la scène test, à complexité BRDF réduite et stockage allégé.
Ce que ça change concrètement
Prenons un matériau complexe : base céramique, dépôt métallique, vernis, poussière. Classiquement, chaque couche mobilise des textures et des évaluations BRDF séparées. Avec Neural Materials, l’ensemble est encodé dans un vecteur latent unique, décodé en une seule inférence au moment du rendu. Le résultat : moins de mémoire, moins de bande passante, évaluation plus rapide.
L’objectif n’est pas de modifier la direction artistique, mais de conserver l’information matière en format compact et de limiter le coût d’évaluation. Le neural rendering, ici, agit comme un accélérateur de shading et un compresseur d’assets, non comme un générateur d’image finale. NVIDIA reconnaît que Neural Materials reste un domaine en recherche active, avec un déploiement production encore limité contrairement à NTC.
Slang et SlangPy : l’infrastructure qui rend tout ça possible
Un point peu couvert mais fondamental : ces technologies reposent sur une infrastructure commune. NVIDIA a présenté Slang, un langage shader différentiable qui génère automatiquement le backward pass nécessaire à l’entraînement, et se compile vers CUDA, HLSL et GLSL. À côté, SlangPy fait le pont entre Python et le GPU, unifiant les phases d’entraînement et de déploiement en production.
C’est ce qui résout le problème historique du neural rendering en temps réel : la divergence entre le code d’entraînement en PyTorch et le code de runtime en C++ ou shaders. Avec Slang, le même code sert aux deux phases. Pour les développeurs qui veulent intégrer ces blocs neuronaux dans leur pipeline, c’est la pièce manquante.
Neural Fixer et Asset Harvester : le neural rendering au service de la simulation
La session a également couvert un cas d’usage moins attendu : la simulation pour véhicules autonomes via Omniverse Neurec. Le principe repose sur le Gaussian Splatting, une reconstruction 3D à partir d’images réelles où la scène est représentée par des particules gaussiennes 3D, chacune avec position, rotation, opacité et couleur dépendante du point de vue.
Neural Fixer
Le problème du Gaussian Splatting classique : des artefacts apparaissent dès qu’on s’écarte de la trajectoire capturée. Le Neural Fixer est un réseau qui corrige ces artefacts en temps réel en injectant de la connaissance du monde réel, rendant la simulation exploitable pour des scénarios jamais capturés physiquement.
Asset Harvester
Autre outil présenté, l’Asset Harvester extrait des objets partiellement visibles dans les données capturées, par exemple un bus vu d’un seul angle, et en génère une version 3D complète et réutilisable. Ces assets peuvent ensuite être replacés dans des scénarios simulés variés, démultipliant la valeur des données de collecte initiales.
Un neural rendering qui ne fait plus peur
Le débat autour de DLSS 5 a cristallisé des craintes sur une uniformisation visuelle et une IA qui hallucine par-dessus un rendu approximatif. La feuille de route montrée à la GDC suggère une voie plus consensuelle côté production : décharger la VRAM, réduire la bande passante et accélérer les passes critiques sans dénaturer l’image.
Pour les studios, ces blocs neuronaux ciblés peuvent s’insérer par itérations dans le pipeline et améliorer le ratio qualité/coût sans refonte complète. NTC est disponible dès aujourd’hui via le SDK RTX Neural Texture Compression. Neural Materials et les outils de simulation suivront au rythme de la maturité de la recherche. C’est le neural rendering sans le spectacle, et c’est probablement pour ça que ça va marcher.
Source :
