我們都知道，光照是攝像頭成像的基礎，不同光線條件會顯著影響成像質量。而很多攝像頭，受限于安裝環境（如昏暗的房間、強烈的逆光等光線不佳的場景），往往導致攝像頭最終呈現的畫面不僅亮度不足，還存在灰度噪點、面部反光、細節缺失等問題；如果采用廣角鏡頭，甚至會引發畫面邊緣畸變、人臉拉伸等失真現象，直接影響用戶的視覺體驗，并降低人臉識別和視頻分析的準確性。對于尤其關注安全的用戶來說，將帶來極其糟糕的用戶體驗。那在不更換攝像頭的前提下，開發者/品牌商該如何快速提升畫質清晰度呢？

一、無需更換攝像頭，用 AI 直接修復畫質

涂鴉全新推出On-AppAI 圖像增強技術，支持通過 AI 對圖像進行優化和修復。它可以自動檢測退化模糊的畫面，并幫助提升亮度、降低噪聲、優化細節、修復畸變，顯著改善圖像清晰度和細節表現，滿足監管、拍攝、人臉識別等多場景的視覺需求。
為了讓大家更直觀感受該技術對攝像畫質的改善，我們特意記錄了不同場景下，同一攝像頭在接入該技術前后的圖像對比：

二、三大技術處理流程，打造高質量圖像

（圖像增強處理流程示意圖）

提升畫質的核心技術處理步驟，主要包含下面三種：

1、降噪處理

該技術方案采用涂鴉自研的輕量化降噪模型，支持在 1 秒內對視頻圖像進行高效快速的降噪處理。

2、暗部增強處理

系統會對圖像整體進行亮度分析，并對較為昏暗的部分進行提亮處理（亮度在 0.1-0.3 之間，就會被判定為較暗），處理后畫面的整體亮度將提升 20%-30%，使得圖像整體亮度達到平衡。

3、畸變處理

涂鴉畸變處理技術，采用的是張氏標定法：它能獲得相機內參和畸變系數，并通過這些參數來計算畸變校正映射表，一旦檢測到圖像發生畸變，就能實時進行校正處理，確保畫面不變形。

三、深度解析核心技術亮點

涂鴉 On-App AI 圖像增強技術，移動端模型部署采用 TensorFlow Lite 方案。該方案具備高效推理、低延遲、低功耗的優勢，支持設備本地離線運行，快速提升用戶體驗與響應速度。

（On-App AI 整體架構圖）

1、更靈活的 AI 架構：輕量化和動態化

1.1 輕量級檢測模型

基于涂鴉在安全防護場景下深度收集的十萬級別數據集，我們采用了輕量化 ResUNet 網絡進行模型訓練。既能精準捕捉真實噪聲特征，又能對圖像細節和紋理進行精準保留。在保證降噪效果的前提下，大幅提升推理速度與資源利用效率。

1.2 模型動態化

在模型的動態化方面，涂鴉采用了按需加載的動態模型管理機制。這種機制的優勢在于，它能根據實際需求在線下載、更新并實時部署模型，確保應用始終運行在最優版本下。該方式不僅能在功能迭代時快速引入最新算法，還可避免一次性打包全部模型，從而有效減少初始安裝包體積、降低存儲占用。同時，在保持高精度與高性能的前提下，提升整體運行效率與用戶體驗。

2、更優的用戶體驗：實時性和高效率

2.1 實時交互處理

在中高端手機型號下，該技術基本可實現秒級推理輸出，實時性高、延遲低。我們特意測試了移動端 iOS 和 Android 手機，在不同機型、不同圖片尺寸下，系統處理性能的表現數據：

2.2 圖像分片處理提升畫質

首先，將原始圖像按設定好的尺寸進行切片，方便高效地利用移動端算力；

再將每個切片依次送入降噪模型進行單獨處理，確保在細節與紋理保真度上保持一致；

最后，通過平滑融合邊界，將所有降噪后的切片無縫合并，還原為與原先尺寸一致的高質量圖像文件。

3、更低的計算成本

在各個安全防護應用場景中，移動端 AI 處理圖像速度比云端方案的優勢更為明顯。主要原因在于攝像頭采集到門前畫面后，可在本地設備上直接完成推理與計算，無需將原始圖像上傳至云端再做處理。

例如：訪客人臉識別、異常行為檢測、光線優化與降噪處理等，均可在本地完成。這不僅顯著減少了視頻與圖像數據的網絡傳輸量，節省帶寬與服務器算力資源，還可有效降低延遲。