Upscaling und KI-Bildverarbeitung: der Chip vor dem Panel

Zwei Fernseher, dasselbe Panel aus derselben Fabrik, dieselbe Diagonale, dieselbe Hintergrundbeleuchtung. Der teurere zeigt die Abendnachrichten sichtbar sauberer. Der Unterschied steckt nicht im Glas, sondern im Chip davor.

Bildverarbeitung ist der am schlechtesten dokumentierte Teil eines modernen Fernsehers und zugleich einer der wirksamsten. Seit die Hersteller ihre Prozessoren mit dem Kürzel KI bewerben, ist die Lage noch unübersichtlicher geworden. Der Begriff steht mal für ein tatsächlich trainiertes Modell, mal für eine Handvoll Schwellwerte, wie es sie schon vor zwanzig Jahren gab. Es lohnt sich, auseinanderzunehmen, was so ein Chip tut.

Vom Rechenweg zum gelernten Modell

Hochskalieren heißt: Aus wenigen Bildpunkten müssen mehr werden. Ein 1080p-Signal braucht auf einem 4K-Panel viermal so viele Pixel, wie es selbst liefert. Die klassischen Verfahren lösen das rein rechnerisch. Bilinear und bikubisch mitteln über die direkte Nachbarschaft, Lanczos gewichtet nach einer festen Funktion einen größeren Umkreis. Alle haben eine Eigenschaft gemeinsam: Sie wissen nicht, was sie da vergrößern. Dieselbe Formel läuft über Ziegelmauer, Hautpartie und Untertitel. Das Ergebnis ist entweder weich oder, wenn kräftig nachgeschärft wird, von hellen Säumen an den Kanten begleitet.

Ein gelerntes Modell geht anders vor. Trainiert wird es lange vor dem Verkauf, im Rechenzentrum, an sehr großen Mengen von Bildpaaren: einmal das hochaufgelöste Original, einmal dieselbe Szene künstlich verkleinert und mit Kompression verdorben. Das Netz lernt den Zusammenhang zwischen beiden. Welche grobe Struktur gehört typischerweise zu welcher feinen? Ein Haarstrang, eine Dachziegelreihe, die Kante eines Buchstabens, eine Wimper: Jedes dieser Muster hat eine charakteristische Signatur, auch wenn es auf wenige Pixel zusammengeschrumpft ist.

Im Fernseher läuft davon nur die Anwendung, die sogenannte Inferenz, mit fest eingebrannten Gewichten und meist in eigens dafür verdrahteter Hardware. Der Zeitrahmen ist eng. Bei 50 oder 60 Bildern pro Sekunde bleiben für ein komplettes Bild höchstens zwanzig Millisekunden. Die Skalierung ist darin nur eine Stufe von mehreren, und bei 4K verteilt sie sich auf gut acht Millionen Pixel. Ein großes generatives Modell, wie man es vom Rechner kennt, passt in dieses Fenster nicht. Dort rechnen kompakte Netze. Soweit die Hersteller überhaupt etwas offenlegen, klassifizieren diese vor allem die Bildregion und wählen dann aus einem Vorrat gelernter Filterkerne den passenden aus.

Ein Punkt, den die Werbung gern übergeht: Zurückgeholt wird dabei nichts. Die Details, die das Modell einsetzt, waren im Signal nicht enthalten. Sie sind eine statistisch gut begründete Vermutung darüber, wie das Original ausgesehen haben dürfte. Bei Texturen fällt das nicht auf und hilft enorm, besonders bei Material weit unterhalb der Panelauflösung. Wie groß dieser Abstand überhaupt ist, steht unter Auflösung.

Die unsichtbare Hauptarbeit: Rauschen, Blöcke, Banding

Das Hochskalieren bekommt die Aufmerksamkeit, den größeren Alltagsgewinn bringt die Reinigung. Kaum ein Signal, das im Wohnzimmer ankommt, ist sauber. Sender arbeiten mit knapper Datenrate, Streamingdienste komprimieren hart, und altes Material bringt sein eigenes Rauschen gleich mit.

• Blockartefakte: Die Kompression zerlegt jedes Bild in Blöcke und codiert sie einzeln. Fehlt Datenrate, werden die Blockgrenzen sichtbar, vor allem in dunklen Flächen und auf sanften Verläufen.
• Moskitorauschen: ein Flirren rund um harte Kanten, typischerweise um Senderlogos, Schrifteinblendungen und Untertitel.
• Banding: Ein Himmel oder ein ausgeleuchteter Studiohintergrund zerfällt in sichtbare Streifen, weil zwischen zwei benachbarten Helligkeitswerten keine Zwischenstufe mehr codiert ist.

Entscheidend ist, Störung von Absicht zu unterscheiden. Zeitliche Filter vergleichen aufeinanderfolgende Bilder. Was an derselben Stelle von Bild zu Bild zufällig wechselt, ist mit hoher Wahrscheinlichkeit Rauschen. Was bleibt, ist Struktur. Räumliche Filter sehen sich stattdessen die Umgebung eines einzelnen Pixels an. Ein gelerntes Modell ist hier treffsicherer als eine feste Schwelle, weil es den charakteristischen Aufbau eines Kompressionsblocks kennt und ihn von einem echten Karomuster trennen kann. Gegen Banding hilft ein zweistufiges Vorgehen. Erst wird der Verlauf erkannt und neu geglättet, dann legt der Chip ein feines Rauschmuster darüber, damit das Auge die Stufen nicht mehr findet.

Der Preis dieser Arbeit ist immer derselbe. Filmkorn ist kein Fehler, sondern Teil des Bildes, und jede zu forsche Rauschunterdrückung frisst es mit. Auf einer sorgfältig abgetasteten Kinoproduktion bleibt dann eine seltsam sterile Oberfläche zurück. Wie Signal, Bildrate und Anzeige zusammenspielen, steht unter Bewegung und Bildverarbeitung.

Szene für Szene: Tone-Mapping und Objekterkennung

Bei HDR-Material ist das Tone-Mapping die folgenreichste Stufe der ganzen Kette. HDR10, das am breitesten unterstützte Format, liefert seine Metadaten statisch: ein einziger Satz Werte für den kompletten Film. Der Fernseher muss trotzdem entscheiden, wie er den Helligkeitsumfang des Materials auf das quetscht, was sein Panel hergibt. Ein Prozessor mit Szenenanalyse wertet dafür laufend das Helligkeitshistogramm aus und legt die Kurve neu fest, sodass in der Höhlenszene die Schatten durchzeichnet bleiben und in der Wüstenszene die Spitzlichter ihren Glanz behalten. Was Dolby Vision und HDR10+ als dynamische Metadaten mitliefern, schätzt das Gerät hier selbst, und nicht jede Marke unterstützt beide Formate. Der Rest des Themas steht unter HDR.

Darauf setzt die Objekterkennung auf. Wird ein Gesicht erkannt, behandelt der Chip diese Region vorsichtiger: weniger Schärfung, zurückhaltendere Rauschunterdrückung, eine eigene Hauttonkorrektur. Text und eingeblendete Grafik bekommen die umgekehrte Behandlung, nämlich harte saubere Kanten ohne Säume und garantiert kein synthetisches Korn. Senderlogos und Untertitel muss die Bewegungsverarbeitung zusätzlich aussparen, sonst zittern sie über dem laufenden Bild.

Die KI-Klangmodi arbeiten nach demselben Muster, nur mit Ton. Ein Klassifikator entscheidet, ob gerade Dialog, Sportpublikum, Musik oder eine Actionszene läuft, und schaltet die passende Signalverarbeitung dazu. Das Sprachband wird angehoben, Stereo auf virtuelle Kanäle hochgerechnet. Manche Geräte glätten obendrein die Lautstärkesprünge zwischen Programm und Werbung. Hörbar hilft das, wenn man die Nachrichten verstehen will. Physik ersetzt es nicht. Ein flaches Gehäuse bewegt wenig Luft, und daran ändert auch die beste Klassifikation nichts.

Wenn die Verarbeitung übertreibt

Über alle Marken hinweg ähneln sich die Fehlerbilder.

• Überschärfung: Entlang dunkler Kanten läuft ein heller Saum mit. Auf drei Meter Abstand im Markt wirkt das knackig, zu Hause nach zwanzig Minuten anstrengend.
• Wächserne Gesichter: Die Rauschunterdrückung glättet die Poren weg, die Schärfung zieht die Umrisse hart nach. Übrig bleibt eine Puppe.
• Erfundene Details: Wo die Vorlage nur Matsch hat, setzt ein gelerntes Modell trotzdem Struktur ein. Bei einer Ziegelwand stört das niemanden. Bei einem Nummernschild oder einem Gesicht in der Menge entsteht etwas, das so nie gefilmt wurde.
• Bewegungsglättung: Sie hat mit Upscaling technisch nichts zu tun, sitzt aber meist im selben Menüpunkt. Eingerechnete Zwischenbilder erzeugen den bekannten Videolook und Artefakte an schnellen Kanten, siehe Bewegungsschärfe.

Wie viel davon guttut, hängt am Material. Ein knapp codierter DVB-T2-Stream verträgt sehr viel Verarbeitung, weil dort tatsächlich etwas zu retten ist. Eine gut gemasterte 4K-Scheibe verträgt fast keine. Wer beides mit derselben Voreinstellung schaut, macht zwangsläufig eines von beiden falsch. Genau dafür lassen sich die Bildmodi getrennt ablegen, auf vielen Geräten sogar pro Eingang.

Was daraus für den Kauf folgt

Im Laden läuft auf jedem Gerät dieselbe Demoschleife: eine Naturaufnahme in hoher Datenrate, abgestimmt auf genau diesen Bildschirm. Daran lässt sich über Bildverarbeitung nichts lernen, weil es nichts zu verarbeiten gibt. Aussagekräftig wird es erst mit schlechtem Futter, also mit laufendem Fernsehprogramm oder einer älteren Serie aus dem Stream. Genau dort trennen sich die Preisklassen, oft deutlicher als beim Panel selbst. Was sonst noch in die Entscheidung gehört, steht in der Kaufberatung.

Zu Hause ist der Filmmaker-Modus oder ein vergleichbares Kinoprofil der ehrlichste Startpunkt. Er legt Bewegungsglättung, Überschärfung und Overscan still und übernimmt Bildformat und Bildrate so, wie sie im Signal stehen. Von dort aus lässt sich einzeln zuschalten, was das jeweilige Material braucht, statt einer Automatik zu vertrauen, die zwischen Tatort und Blu-ray nicht unterscheidet. Praktische Werte dazu stehen unter Bildeinstellungen.

Der Prozessorname auf dem Karton hilft bei dieser Einschätzung nicht. Er verrät weder, welche dieser Funktionen an Bord sind, noch wie sorgfältig sie abgestimmt wurden. Zwei Geräte derselben Marke aus demselben Jahr können denselben Marketingbegriff tragen und trotzdem verschieden rechnen. Wer wissen will, was ein Chip taugt, muss ihn mit schlechtem Material arbeiten sehen.