我们都知道，光照是摄像头成像的基础，不同光线条件会显著影响成像质量。而很多摄像头，受限于安装环境（如昏暗的房间、强烈的逆光等光线不佳的场景），往往导致摄像头最终呈现的画面不仅亮度不足，还存在灰度噪点、面部反光、细节缺失等问题；如果采用广角镜头，甚至会引发画面边缘畸变、人脸拉伸等失真现象，直接影响用户的视觉体验，并降低人脸识别和视频分析的准确性。

对于尤其关注安全的用户来说，将带来极其糟糕的用户体验。那在不更换摄像头的前提下，开发者/品牌商该如何快速提升画质清晰度呢？

一、无需更换摄像头，用 AI 直接修复画质

涂鸦全新推出 On-App AI 图像增强技术，支持通过 AI 对图像进行优化和修复。它可以自动检测退化模糊的画面，并帮助提升亮度、降低噪声、优化细节、修复畸变，显著改善图像清晰度和细节表现，满足监管、拍摄、人脸识别等多场景的视觉需求。

为了让大家更直观感受该技术对摄像画质的改善，我们特意记录了不同场景下，同一摄像头在接入该技术前后的图像对比👇：

二、三大技术处理流程，打造高质量图像

（图像增强处理流程示意图）

提升画质的核心技术处理步骤，主要包含下面三种：

1、降噪处理

该技术方案采用涂鸦自研的轻量化降噪模型，支持在 1 秒内对视频图像进行高效快速的降噪处理。

2、暗部增强处理

系统会对图像整体进行亮度分析，并对较为昏暗的部分进行提亮处理（亮度在 0.1-0.3 之间，就会被判定为较暗），处理后画面的整体亮度将提升 20%-30%，使得图像整体亮度达到平衡。

3、畸变处理

涂鸦畸变处理技术，采用的是张氏标定法：它能获得相机内参和畸变系数，并通过这些参数来计算畸变校正映射表，一旦检测到图像发生畸变，就能实时进行校正处理，确保画面不变形。

三、深度解析核心技术亮点

涂鸦 On-App AI 图像增强技术，移动端模型部署采用 TensorFlow Lite 方案。该方案具备高效推理、低延迟、低功耗的优势，支持设备本地离线运行，快速提升用户体验与响应速度。

1、更灵活的 AI 架构：轻量化和动态化

1.1 轻量级检测模型
基于涂鸦在安全防护场景下深度收集的十万级别数据集，我们采用了轻量化 ResUNet 网络进行模型训练。既能精准捕捉真实噪声特征，又能对图像细节和纹理进行精准保留。在保证降噪效果的前提下，大幅提升推理速度与资源利用效率。

1.2 模型动态化

在模型的动态化方面，涂鸦采用了按需加载的动态模型管理机制。这种机制的优势在于，它能根据实际需求在线下载、更新并实时部署模型，确保应用始终运行在最优版本下。该方式不仅能在功能迭代时快速引入最新算法，还可避免一次性打包全部模型，从而有效减少初始安装包体积、降低存储占用。同时，在保持高精度与高性能的前提下，提升整体运行效率与用户体验。

2、更优的用户体验：实时性和高效率

2.1 实时交互处理

在中高端手机型号下，该技术基本可实现秒级推理输出，实时性高、延迟低。我们特意测试了移动端 iOS 和 Android 手机，在不同机型、不同图片尺寸下，系统处理性能的表现数据👇：

2.2 图像分片处理提升画质

首先，将原始图像按设定好的尺寸进行切片，方便高效地利用移动端算力；

再将每个切片依次送入降噪模型进行单独处理，确保在细节与纹理保真度上保持一致；

最后，通过平滑融合边界，将所有降噪后的切片无缝合并，还原为与原先尺寸一致的高质量图像文件。

3、更低的计算成本

在各个安全防护应用场景中，移动端 AI 处理图像速度比云端方案的优势更为明显。主要原因在于摄像头采集到门前画面后，可在本地设备上直接完成推理与计算，无需将原始图像上传至云端再做处理。

例如：访客人脸识别、异常行为检测、光线优化与降噪处理等，均可在本地完成。这不仅显著减少了视频与图像数据的网络传输量，节省带宽与服务器算力资源，还可有效降低延迟。

四、开发教程+问题咨询

1、开发教程

复制下方链接，可查看具体开发教程👇：
https://developer.tuya.com/cn/miniapp/solution-ai/ability/picture-solution/aiPictureEnhance/ability-set/cloud

2、问题咨询

开发过程中，如遇到任何问题，欢迎登录涂鸦开发者技术论坛进行提问，将有技术小哥及时为你解答👇：

https://www.tuyaos.com/viewforum.php?f=3