Смартфоны и планшеты за последнее десятилетие превратились в полноценные вычислительные платформы – и вместе с этим сдвигом возник закономерный вопрос: насколько сложные задачи обработки изображений можно решать непосредственно на устройстве, не прибегая к удаленным серверам. Настоящая статья посвящена облегченным нейронным сетям как инструменту улучшения изображений в реальном времени в условиях аппаратных ограничений мобильных платформ. В центре анализа – архитектурные решения, направленные на сокращение числа параметров модели, снижение вычислительной нагрузки и уменьшение энергопотребления при сохранении приемлемого качества выходного изображения. Рассматриваемые задачи охватывают повышение резкости, подавление шума, коррекцию яркости и контрастности, а также общее улучшение визуального качества. Особое место занимают методы оптимизации моделей – квантизация, прореживание и снижение размерности – и специфика их практического внедрения в мобильные программные среды. Компактные сверточные архитектуры рассматриваются не изолированно, а в связке с конкретными сценариями применения: мобильной фотографией, дополненной реальностью, телемедициной и интеллектуальными визуальными системами. Полученные результаты свидетельствуют о том, что облегченные модели глубокого обучения способны обеспечивать обработку изображений в реальном времени при разумном балансе между качеством, скоростью и расходом ресурсов устройства. Дальнейшее развитие специализированных компактных архитектур, адаптированных к требованиям мобильных платформ и сценариям локальной обработки, представляется перспективным направлением как с исследовательской, так и с прикладной точки зрения.
Mobile devices have transformed markedly over the past decade – their growing computational power has made it both possible and practical to handle image enhancement directly on-device, without routing data through remote servers. This article focuses on lightweight neural networks as a tool for real-time image enhancement under the hardware constraints of mobile platforms. The analysis centers on architectural approaches aimed at reducing parameter counts, lowering computational load, and minimizing energy consumption while maintaining acceptable output image quality. The tasks under consideration include sharpness enhancement, noise suppression, brightness and contrast correction, and general visual quality improvement. Particular attention is given to model optimization techniques – quantization, pruning, and dimensionality reduction – alongside the practical challenges of deploying such models in mobile software environments. Compact convolutional architectures are examined not in isolation but in relation to concrete application scenarios: mobile photography, augmented reality, telemedicine, and intelligent visual systems. The results indicate that lightweight deep learning models can deliver real-time image processing at a reasonable balance between output quality, processing speed, and device resource consumption. Further development of specialized compact architectures tailored to the demands of mobile platforms and local image processing scenarios is identified as a promising direction for both research and applied work.