缺失值补充、毛刺、滤波
机理验证 速度、位移，采取到数据校验
500个点，有异常点位

校验时间，行业解决方案
dlss3.0，1080 4k，降维升维
多源融合

DLSS
- 数万图片训练通用模型
- 针对特定游戏训练（2.0不需要针对某一游戏训练）


缺失值补充
	一般信息
		均值，众数
	时序信息
	 删除
	 填充
		 统计方式填充
			分析缺失点前后的数据，从而更精准的对缺失数据进行填充。常见的方法有均值填充、中值填充、常用值填充等。但这类方法忽略了数据的时序信息
		 机器学习
			 LSTM
			 [基于生成模型的时序数据缺失值插补方案设计 - 中国知网 (buaa.edu.cn)](https://kns-cnki-net-443.e1.buaa.edu.cn/kcms2/article/abstract?v=3uoqIhG8C475KOm_zrgu4lQARvep2SAkueNJRSNVX-zc5TVHKmDNklIfftVh-KGfJudOaEyFoac0JqmekYNaWVpQZKawqUCa&uniplatform=NZKPT)
毛刺
	图像处理
		可以使用图像锐化处理来增强边界，突出细节，或者增强被模糊了的边缘。
	一般信息
		调谐/滤波方法去除毛刺

DLSS3
	超采样
		DLSS3的超采样的原理是，它利用AI网络对低分辨率的画面进行分析和重建，生成高分辨率的画面，从而提升画质和性能。
		用AI进行图像重建

传感器融合
	弹性交互传感器独立更新方法
		[多传感器融合专题（二） | 多观测数据信息整合方法讨论 - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/569124652)
	基于模型的方法（机理
		基于模型的传感器融合是指利用已知的被测对象或系统的物理模型，对多个传感器的观测数据进行融合，以提高测量的精度和可靠性的方法。基于模型的传感器融合的优点是可以利用模型的先验知识，减少传感器的数量和类型，降低测量的成本和复杂度，提高测量的鲁棒性和适应性。基于模型的传感器融合的缺点是需要准确的模型，否则会导致融合的误差和不稳定性。基于模型的传感器融合的应用领域包括自动驾驶、模型预测控制、多目标跟踪等。
	基于规则的方法
		基于规则的传感器融合是指利用人为设定的规则，对多个传感器的观测数据进行融合，以提高测量的精度和可靠性的方法。基于规则的传感器融合的优点是可以利用人的经验和知识，处理不确定性和模糊性的信息，提高测量的灵活性和鲁棒性。基于规则的传感器融合的缺点是需要人工设计和维护规则，难以适应复杂和动态的环境，难以保证融合的一致性和最优性。基于规则的传感器融合的应用领域包括自动驾驶、协方差交叉融合等。
	基于神经网络的方法
		基于神经网络的传感器融合是指利用神经网络的非线性拟合能力，对多个传感器的观测数据进行融合，以处理复杂和难以建模的场合的方法。基于神经网络的传感器融合的优点是可以不需要精确的对象模型，具有较强的自适应能力，提高测量的精度和可靠性。基于神经网络的传感器融合的缺点是需要大量的训练数据，计算量较大，难以保证融合的一致性和最优性
	基于模糊逻辑的方法
		基于模糊逻辑的传感器融合是指利用模糊推理的原理，对多个传感器的观测数据进行融合，以处理不确定性和模糊性的信息的方法
				模糊推理是一种使用模糊逻辑制定从给定输入到输出的映射的过程。模糊推理系统由五个功能模块组成：规则库，数据库，决策单元，模糊化接口和反模糊化接口。模糊推理可以处理不确定性和模糊性
[多传感器信息融合研究综述 - 中国知网 (buaa.edu.cn)](https://kns-cnki-net-443.e1.buaa.edu.cn/kcms2/article/abstract?v=3uoqIhG8C44YLTlOAiTRKibYlV5Vjs7iJTKGjg9uTdeTsOI_ra5_XYetGMfq1OY0eSKGgEnUfqEmCelnrdiooXV8PWsvUr8W&uniplatform=NZKPT)