显示与 AI 的结合长期处在「锦上添花」的位置 —— 超分辨率、色彩增强、HDR 映射都让画面更好看。直到端侧神经处理单元普及,屏幕才第一次成为 AI 算力的独立载体,而不只是 AI 的输出终端。

一、1990-2000 年代:信号处理与逐像素增强
1990 年代的显示增强完全基于信号处理与规则:插值、去噪、色域映射,每一步都有确定的数学定义。同期等离子与液晶面板的制造工艺成为主导,图像处理需要适配新的显示特性与伽马响应。这一阶段的技术目标是让低质量输入看起来更好,而处理规则必须对所有内容一致适用。一个始终存在的约束是算力:显示增强要处理每一帧的每个像素,实时性要求限制了算法的复杂度上限。算力是始终存在的约束:显示增强要处理每一帧的每个像素,实时性限制了算法复杂度上限。
二、2000-2012:画质处理与超分辨率
2000 年代中后期,学习型超分辨率被引入,用训练数据学习低分辨率到高分辨率的映射。同期电视与显示器的「动态对比度」「运动补偿」等处理越来越依赖内容分析而非全局规则。2010 年前后,消费电子厂商开始把画质处理芯片集成进电视与手机主板,硬件成为算法的固定载体。主观性是这一环节绕不开的难题:没有公认的画质标准,厂商的参数选择很大程度上由产品定位而非技术判断决定。2005 年前后学习型超分辨率被引入,用训练数据学习低分辨率到高分辨率的映射。
同期电视与显示器的动态对比度与运动补偿处理越来越依赖内容分析而非全局规则。2010 年前后消费电子厂商开始把画质处理芯片集成进电视与手机主板,硬件成为算法的固定载体。同一款芯片在不同厂商的整机上调校结果可以差异明显,这说明算法参数与整机标定是耦合的,无法单独评价。
三、2013-2020:卷积网络与端侧部署
2013 年后,卷积网络被用于超分辨率与去噪,效果明显优于传统插值方法。同期移动端芯片开始集成神经网络加速单元,让实时图像处理从云端下沉到设备本地。2016 至 2018 年间,手机相机的计算摄影成为最大的落地场景:多帧降噪、超分辨率与 HDR 合成。这一时期的工程红线是热设计:单帧处理预算只有几毫秒,连续高负载下的散热往往比算力更早成为瓶颈。2014 年后卷积网络被用于超分辨率与去噪,效果明显优于传统插值方法。
2017 年前后手机相机的计算摄影成为最大落地场景:多帧降噪、超分辨率与 HDR 合成。移动端最先撞到的墙不是算力,而是功耗预算:算法必须在不触发降频的前提下完成,否则画质会随温度漂移。
四、2021-2025:端侧大模型与屏幕成为计算载体
2021 年后,端侧小模型的能力提升让实时翻译、字幕与视觉助手成为手机与眼镜的标准功能。同期出现了新的显示形态:智能眼镜与头显把显示与传感融合,屏幕成为人机交互的核心界面。2023 至 2025 年间,显示技术本身开始为 AI 定制:可变刷新率与局部亮度调节被用于配合模型推理的负载变化。一个长期存在的前沿问题是显示的能耗 —— 屏幕是设备最大的耗电项,而 AI 的实时渲染需求又在推高它。
2021 年后端侧小模型能力提升,让实时翻译、字幕与视觉助手成为手机与眼镜的标准功能。同期智能眼镜与头显把显示与传感融合,屏幕成为人机交互的核心界面。2023 年后显示技术本身开始为 AI 定制:可变刷新率与局部亮度调节用于配合推理负载变化。一个长期存在的前沿问题是显示能耗:屏幕是设备最大耗电项,而 AI 的实时渲染需求又在推高它。
资料来源
- Dong et al., Learning a Deep Convolutional Network for Image Super-Resolution, CVPR 2016
- 各显示面板厂商与芯片厂商关于端侧 AI 加速的公开技术资料
- 计算摄影在移动端落地的公开工程文章与评测
- IEEE 与 SID 关于显示与视觉计算的公开论文集