BitmapFactory.decodeByteArray方法非常耗cpu性能啊

Android视频处理之动态时间水印效果

主要A为大家详细介绍了Android视频处理之动态时间水印效果,具有一定的参考价值，感兴趣的小伙伴们可以参考一下

Displaying Bitmaps Efficiently

Android 6.0的官方开发平台上，有4节是专门来讲BitMap优化的，这是其Word文档。

利用Kotlin的协程实现简单的异步加载详解

前言 众所周知在android中当执行程序的耗时超过5秒时就会引发ANR而导致程序崩溃。由于UI的更新操作是在UI主线程进行的，理想状态下每秒展示60帧时人眼感受不到卡顿，1000ms/60帧，即每帧绘制时间不应超过16.67ms。如果某项操作的耗时超过这一数值就会导致UI卡顿。因此在实际的开发中我通常把耗时操作放在一个新的线程中（比如从网络获取数据，从SD卡读取图片等操作），但是呢在android中UI的更新只能在UI主线程中进行更新，因此当我们在非UI线程中执行某些操作的时候想要更新UI就需要与UI主线程进行通信。在android中google为我们提供了AsyncTask和Handler

LiteRT-LM在Android端部署Gemma 4的全栈实践

大语言模型（LLM）边缘化是AI落地的关键趋势，其核心在于轻量化推理框架与移动硬件深度协同。LiteRT-LM作为专为ARM架构优化的LLM运行时编排层，通过重构内存管理、GPU Shader调度和JNI桥接机制，显著降低端侧延迟并保障数据本地化。它不仅支持Gemma系列等主流开源模型的4-bit量化部署，更突破传统Android NDK ABI兼容瓶颈，实现高通、联发科等多平台GPU加速。在金融分析、代码生成、文档摘要等离线场景中，LiteRT-LM+Gemma 4组合已达成接近桌面级GPU的端到端响应效

Android端侧多模态大模型落地实战：从首帧延迟到KV缓存优化

多模态大模型在移动端的部署，已超越‘能否运行’的基础问题，进入以用户体验为核心的工程攻坚阶段。其核心原理在于跨模态数据对齐、异构计算资源协同与内存带宽敏感型推理链路设计。技术价值体现在突破3GB内存限制、5W热功耗约束及120ms感知延迟阈值，实现真正可用的本地图文理解与生成。典型应用场景包括手机小票识别、离线视觉问答、实时AR辅助等轻量化AI服务。本文聚焦Android NDK层优化、INT4量化硬件加速支持、呼吸式KV缓存与零拷贝跨模态对齐等关键实践，直击端侧多模态落地中最棘手的首帧延迟与内存泄漏问题。