仙剑 DOS 版：移植到 Rust，再用神经网络实时超分
内容提要
该文介绍将仙剑奇侠传DOS版从C语言移植到Rust，并集成FP16神经网络超分技术，提升至1280×720分辨率。开发耗时三天，涵盖移植、超分和kernel调优。浏览器与原生版本共用权重，性能优化后达60fps，验证确保精度。作者建议游戏厂商采用此方法低成本重制经典作品。
延伸解读
移植验证是关键
作者强调，将仙剑DOS版从C移植到Rust，真正的难点在于逐字节验证，而非AI自动生成代码。由于游戏逻辑几乎全在脚本中，移植后必须确保行为与原始版本完全一致。这种验证前置的方法，使得AI生成代码的上限很高，但前提是验证体系先行。对于类似的老游戏移植项目，建立可靠的验证机制是成功的关键。
超分技术的实际效果
文章指出，传统放大算法如xBR和Anime4K只能锐化边缘，无法补充细节。而采用Real-ESRGAN的animevideov3模型，通过FP16神经网络实时超分，能有效提升画面细节。作者认为，原版320×200的像素画风格恰好适合这类模型，且无需重绘美术资源。这为老游戏重制提供了一种低成本、高画质提升的可行方案。
性能优化的权衡
在浏览器端，神经网络推理最初仅21-25fps，通过调整kernel的occupancy和split策略，最终达到60fps。作者发现，提高线程驻留数比使用共享内存更有效，且每线程多算像素需与split配合，否则会因寄存器溢出而变慢。此外，WebGPU的16KB共享内存限制需通过请求更高limit来突破，否则需降级配置。这些优化经验对WebGPU开发者具有参考价值。
跨平台与降级策略
浏览器版和原生版共用同一套权重和kernel，便于对拍验证。但浏览器版受限于WebGPU特性，如shader-f16，不支持时需降级到xBR或nearest。这种降级策略保证了兼容性，但也意味着部分用户无法享受超分效果。对于游戏厂商而言，采用此方法重制经典作品时，需考虑目标平台的WebGPU支持情况，以决定是否提供降级选项。
Q&A
仙剑奇侠传DOS版是如何被移植到Rust的？
作者将SDLPAL的C代码完整移植到Rust，共两万四千行，参考PAL_CLASSIC经典模式，只保留DOS版代码路径。移植顺序自底向上：先数据解压和字库，再引擎和音频，最后脚本解释器、UI和战斗。其中script.rs是最大的文件，因为仙剑的游戏逻辑几乎全在脚本里。
仙剑DOS版超分使用了什么模型？效果如何？
使用了Real-ESRGAN的animevideov3模型，专门处理动画和游戏画面，结构是SRVGGNetCompact，18层3×3卷积，64通道，FP16权重打包后1.19 MB。超分效果明显好于xBR，补出的细节更丰富。
浏览器版和原生版如何共用超分权重？
浏览器版和原生版使用完全相同的权重和kernel，权重通过Python脚本从ONNX模型打包成.mega.bin文件，原生版用include_bytes!嵌入二进制，浏览器版则预装进GPU buffer。两边可以随时对拍，确保一致性。
超分kernel调优中最重要的发现是什么？
最重要的发现是occupancy比共享内存重要：channel split将每线程累加器从16压到4，驻留线程数翻四倍，收益立竿见影；而权重放workgroup memory反而变慢。另外，每线程多算像素必须和split配合，单独上2像素会register spill。
超分精度如何验证？误差有多大？
精度参照onnxruntime-web的FP16推理，最大差2/255，平均0.11，偏差超过2的子像素一个都没有。误差来自累加顺序，视觉上不可见。
作者对游戏厂商有什么建议？
作者建议游戏厂商采用类似方法低成本重制经典作品，因为不少当年的好作品卡在过时的分辨率和平台上，新一代玩家已经玩不到，按这套思路重制成本并不高，能让现在的小孩也玩上当年的优秀作品。
浏览器版超分性能如何？如何降级？
浏览器版超分网络跑40到50 ms一帧，约21-25 fps，引擎不等它，帧率对不齐就丢中间帧。任何一步失败，降级回xBR。
