屏下DMS正在把图像恢复从辅助算法推成主链路能力

屏下 DMS 正在把图像恢复从辅助算法推成主链路能力

发布时间： 2026-03-25
主题： 屏下 DMS / under-display camera / AI restoration / Smart Eye / LG Innotek / 成像链路
关键词： hidden DMS、instrument cluster、NIR transmittance、AI image restoration、optical stack、AUO、Alps Alpine

一句话结论

过去大家讨论屏下 DMS，常常把它当成一个“隐藏摄像头、提升内饰美观”的设计话题。

但 2026 CES 前后的产业信号说明，这件事已经变了。

屏下 DMS 的核心竞争，不再只是“能不能把摄像头藏起来”，而是“能不能把被屏幕破坏过的图像稳定恢复成可用于 DMS 决策的输入”。

换句话说：

  • 屏下 DMS 不再只是硬件形态创新
  • 它正在把 AI image restoration / optical compensation / degraded-image robustness
  • 从“ISP 辅助增强”推成 DMS 主链路能力的一部分

这对 IMS 的意义非常直接：

未来 DMS 的输入，不一定是原生相机画面，而可能是“经过显示屏退化后的受损画面”。

如果这一点成立，整个数据、训练、验证、部署体系都要改。

1. 新信号来自哪儿

1.1 Smart Eye × Alps Alpine × AUO：隐藏式 DMS 开始强调“可用成像”，不是概念展示

Smart Eye 与 Alps Alpine 在 CES 2026 展示了：

  • 摄像头位于 instrument cluster 显示屏后方
  • 硬件对驾驶员完全不可见
  • 依赖 AUO Mobility Solutions 的 under-display display 技术
  • 强调 高 NIR transmittance、full display uniformity、robust distraction / drowsiness detection
  • 明确指向减少 A 柱或方向盘额外传感器的集成复杂度

这里最关键的，不是“看不到摄像头”，而是：

他们开始把“隐藏式光学堆栈 + DMS 可用性”一起拿出来卖。

这说明行业已经默认一个事实：

  • 屏下不是单纯机械集成问题
  • 屏下的成败取决于 显示层、NIR 透过率、成像退化、算法鲁棒性 能否一起收敛

1.2 LG Innotek：开始直接把 AI image restoration 推到台前

LG Innotek 更进一步，把话说得更直白：

  • under-display camera 安装在 instrument cluster 后方
  • 屏幕会阻挡光线，导致图像劣化
  • 他们用 AI image restoration software 做恢复
  • 宣称可达到接近裸露摄像头的图像保真度

这里的关键信号不是“99% fidelity”这个具体数字本身，而是：

供应链已经把“屏下退化 + AI 恢复”当成完整产品定义的一部分。

这会改变 OEM 对 DMS 模组的采购逻辑：

以前采购的是：

  • camera module
  • optics
  • ISP tuning
  • DMS software

以后越来越可能采购的是：

  • display stack
  • hidden camera module
  • NIR compensation
  • AI restoration
  • DMS perception stack
  • integrated validation package

也就是说，屏下 DMS 正在把“图像恢复”从局部优化项升级为系统交付项。

2. 为什么这件事对 IMS 很重要

因为这会改变 DMS 默认面对的输入分布。

2.1 未来相机输入不再天然“干净”

传统 DMS 默认假设是：

  • 镜头直接对着驾驶员
  • 主要问题来自光照、反射、遮挡、眼镜、姿态

但屏下 DMS 把问题改写成：

  • 输入一开始就被显示层破坏过
  • 破坏不一定是均匀的
  • 不同亮度/UI状态可能影响成像
  • NIR 透射率和角度响应会变化
  • 恢复算法可能引入伪影、时序漂移或结构偏差

这意味着：

DMS 的上游输入质量不再只是环境变量，而成为系统内生变量。

2.2 前处理不再是“可选增强”，而是识别准确性的前提

如果原始输入已经严重退化，那么：

  • face/eye keypoint
  • blink
  • eyelid openness
  • gaze vector
  • head pose

这些下游特征都会一起受影响。

因此在屏下 DMS 场景里，前处理链路的地位会显著提高：

  • denoise
  • dehaze / deblur
  • NIR compensation
  • super-resolution / restoration
  • temporal stabilization
  • confidence gating

这些东西不再只是“画面更好看”，而是直接关系到：

  • distraction 误报漏报
  • drowsiness 眼睑特征稳定性
  • phone use / impairment 等高级功能鲁棒性

3. 屏下 DMS 真正改变的，不只是硬件位置，而是算法责任边界

3.1 以前算法团队主要处理“环境退化”

例如：

  • 夜晚
  • 逆光
  • 墨镜
  • 头部偏转
  • 振动模糊

3.2 以后算法团队还要处理“系统退化”

也就是：

  • 显示层透光损失
  • 屏幕像素结构造成的纹理扰动
  • UI亮度变化引起的透射变化
  • 不同 panel / optical stack 的域偏移
  • 恢复算法引入的分布变化

这两类退化最大的区别在于：

  • 环境退化是外界造成的
  • 系统退化是自己架构带进来的

所以它不能只靠传统的“再多采点数据”解决，而必须纳入平台设计。

4. 对 IMS 架构最直接的开发启示

4.1 把 restoration 当成 perception 主链路的一部分

最重要的一条：

不要把屏下图像恢复当成 ISP 小功能。

更合理的架构应该是：

1
2
3
4
5
Sensor / UDC raw image
  → optical compensation / restoration
  → face/eye/pose perception
  → temporal risk estimation
  → DMS / OMS decision

并且 restoration 模块需要输出：

  • 质量评分
  • 置信度
  • 异常标记
  • 是否触发降级策略

否则下游算法很难知道“这次识别差是驾驶员问题，还是输入已经坏了”。

4.2 数据集要从“驾驶场景”扩展到“显示状态场景”

未来采数或合成数据时，除了传统维度：

  • 光照
  • 姿态
  • 墨镜/口罩
  • 遮挡

还必须新增：

  • panel 类型
  • 显示亮度级别
  • UI 主题 / 局部高亮
  • NIR 透过差异
  • camera-to-display alignment 偏差
  • restoration 开/关与不同版本

也就是说，屏下 DMS 的数据维度会从“人和环境”扩展到“人 + 环境 + 显示系统”。

4.3 验证指标不能只看任务精度，要看“恢复后是否稳定可用”

推荐新增几类指标：

指标 作用
restoration 后 eye keypoint 稳定性 判断眼部任务是否真正受益
gaze angle 漂移 判断恢复是否引入几何偏差
blink/eyelid 时序抖动 判断疲劳检测是否被破坏
failure detectability 判断系统是否知道自己看不清
display-state robustness 判断不同 UI/亮度下表现是否稳定

4.4 必须准备 degraded mode

屏下成像再先进，也不该假设“永远接近裸露摄像头”。

因此要提前定义：

  • 输入质量低时，哪些功能可继续
  • 哪些功能应降级为 head-pose-only
  • 哪些功能应提高告警阈值
  • 哪些状态必须上报“input unreliable”

这比单纯追求“平均精度”更接近量产现实。

5. 一个更现实的判断：屏下 DMS 会重排供应链分工

这可能是很多团队还没完全意识到的点。

如果 restoration 成为主链路能力，那么 DMS 供应链会从：

  • camera supplier
  • DMS algorithm supplier

逐步演化为更复杂的协同：

  • display supplier
  • optical stack supplier
  • camera module supplier
  • restoration / ISP / CV supplier
  • DMS software supplier
  • validation / scenario supplier

谁来定义接口？
谁来背最终性能责任？
谁来负责法规验证？

这些都会变成新问题。

从这个角度看，屏下 DMS 不只是一个模组创新，而是：

它正在把 DMS 从“单纯视觉算法产品”拉向“显示-光学-感知联合产品”。

6. 研发优先级建议

P0：建立屏下退化成像评测基线

先不要急着追所有 feature。
先回答：

  • 在不同显示状态下，图像退化到什么程度？
  • 退化主要打击哪些关键特征？
  • restoration 能修回来多少？

P0：把 restoration 输出纳入感知置信度体系

不要只输出一张“看起来更清晰”的图。
要输出：

  • quality score
  • usable/unusable tag
  • uncertainty

P1：建设 synthetic + replay 验证链路

屏下 DMS 很适合做参数化验证：

  • panel 透过率
  • NIR 响应
  • UI亮度
  • viewing angle
  • 伪影模式

这类变量非常适合 synthetic-driven validation。

P1：建立 feature-wise degradation map

区分：

  • 哪些 feature 对屏下退化最敏感
  • 哪些任务可通过 restoration 修复
  • 哪些任务必须改模型结构或改传感器配置

P2：预研“屏下专用 DMS 模型”

不要默认裸摄像头模型直接迁移即可。

长期看，更合理的路线可能是：

  • restoration + downstream joint optimization
  • 或直接训练面向 UDC 输入分布的 end-to-end 模型

7. 对 TrendRadar 的下一轮搜索建议

基于这一轮发现，下一轮关键词建议升级为：

  • under-display DMS AI restoration NIR transmittance
  • degraded image robustness driver monitoring
  • display-integrated camera optical stack automotive
  • under-display camera gaze tracking validation
  • hidden DMS cluster display image fidelity
  • restoration-aware perception pipeline automotive

配图建议

  1. Smart Eye × Alps Alpine × AUO 屏下 DMS 新闻截图
    来源：https://smarteye.se/news/smart-eye-and-alps-alpine-bring-invisible-driver-monitoring-behind-the-display-to-ces-2026/

  2. LG Innotek UDC 新闻截图
    来源：https://www.automotiveworld.com/news/headers-lg-innotek-to-unveil-under-display-camera-at-ces-2026/

  3. 自绘图：屏下 DMS 主链路

    • display-induced degradation
    • restoration
    • eye/face/gaze perception
    • confidence / degraded mode

参考资料

结语

如果说过去的 DMS 成败主要取决于“能不能看见驾驶员”，
那屏下 DMS 时代更像是在问：

在先天被显示系统破坏过的输入上，你还能不能稳定看懂驾驶员。

这会把 restoration、输入质量建模、degraded mode 和系统级验证，
从次要问题推到主线位置。

Euro NCAP > DMS
#DMS #Euro NCAP 2026 #CPD #OMS #量产
屏下DMS正在把图像恢复从辅助算法推成主链路能力
https://dapalm.com/2026/03/25/2026-03-25-屏下DMS正在把图像恢复从辅助算法推成主链路能力/
作者
Mars
发布于
2026年3月25日
许可协议