△4K30帧视频（约800多万像素/帧）需要的算力是800万照片的33倍
针对这几点，联发科对应地研发了几种算法，来“配合”语义分割算法打出组合拳。
首先，结合场景识别优化语义分割算法，使得AI不仅能区分前景（如人像、动物等）和背景，还能进一步识别不同种类的背景，如建筑、天空、绿地、植物和水池等。
然后，就是AI区域画质增强技术（AI Region PQ）了。
将照片分割成前景和不同区域的背景后，AI会针对每个区域的物体特性，分析并选取最合适的优化算法，“拆分式”地优化照片不同区域的效果。
例如针对蓝天的优化，基于色彩增强算法让天色看起来更明亮；针对建筑物的优化，则主要在对比度和锐利度上，如结合超分辨率等算法，让建筑物的窗户等细节看起来更清晰……
最后，还能基于语义分割算法降低视频的算力，实现精确对焦。
此前，针对视频的实时追焦算法往往是进行逐帧追焦，通过计算帧间差异来调整清晰度，这样不仅耗费算力，甚至可能降低视频的流畅度。
相比之下，采用语义分割算法区分出前景后，只需要针对前景区域进行侦测和追焦就行，背景则不需要再耗费更多算力去进行优化，就省去了不少算力。
这样一来，不仅照片和视频都实现了实时算法优化，甚至相比原来还节省了一大波算力，例如4K30帧视频和8K30帧视频拍摄所需算力，都降低到了原来的1/4。
同时，联发科也针对AI算法在硬件处理上进行了对应的优化，包括提升APU的能效等，进一步降低AI景深画质增强技术在手机上消耗的算力。
事实上，这也并非联发科第一次针对手机AI技术进行布局了。
用AI突破计算摄影瓶颈从2018年开始，联发科开始将计算摄影作为手机芯片算法的研发重点。
当年10月份推出的Helio P70处理器，着重提升了多帧降噪 （MFNR）方面的性能，即通过一次性拍摄多张照片，随后通过计算每个位置对应的多层像素均值进行输出，提升照片的清晰度。
这其中涉及大量算法的优化，尤其是拍摄多张照片并进行处理的速度，当年Helio P70针对多帧降噪算法进行优化后提升了约20%的性能。
然而，在计算摄影研发过程中，团队在计算机视觉方面遇到了一些算法优化极限。
适逢更多AI算法在手机端优化落地，计算摄影团队的重心也逐渐转到AI技术研发上。
一方面是芯片上有关AI算力的提升。
最早从2018年Helio P90强调提升AI算力速度、同时推出包含剪枝在内一系列优化算法的AI计算平台NeuroPilot v2.0，到2020年的天玑1000 的MiraVision画质引擎和APU3.0；
再到2021年至今强调的“每瓦有效算力”指标，即APU长时间运行的功率大致在1W左右，联发科在这方面强调的始终是“开源节流”，优化AI的能耗。
也就是说，尽可能在不增加功耗的情况下，提升手机上AI算法运行的效果。
另一方面则是不断改进AI算法的性能。
而从整体研究范围来看，联发科这几年也一直在提升对于AI的重视程度，包括进行贝叶斯优化、元学习相关的机器学习研究，相关论文发表在NeurIPS、ICLR等顶会上。
这其中就有与影像处理相关的研究，例如提出了一个名为CycleNet的框架，旨在提升AI识别拍摄场景中较深物体（即相对镜头的距离较远）的能力。
具体来说，CycleNet借鉴了“神经元会和处理相同图像中具有相同特征物体的神经元产生联系”等一系列生物神经元处理信息的特点，来设计整体的框架逻辑，提升AI在处理较小较模糊的目标时整体的识别准确率。
至于我们多久会在手机上见到这样的AI技术？还得看联发科的速度了（doge）
还有哪些手机技能待点亮？随着AI落地的技术越来越多，手机应用似乎也在进一步逼近想象力的极限。
甚至有一种观点认为，目前能提升手机性能和创造力的就只有AI技术了。
然而事实真是如此吗？
