082、时域降噪（Temporal Denoise）深度解析：运动补偿、递归滤波与多帧融合策略

082、时域降噪（Temporal Denoise）深度解析：运动补偿、递归滤波与多帧融合策略

一、一个让我熬夜三天的bug

去年做某旗舰机项目，晚上拍霓虹灯牌，画面里全是“鬼影”——不是镜头flare那种，是文字边缘拖着一串残影，像幽灵一样飘。客户直接把样机摔桌上了。我盯着示波器看了一宿，最后发现是时域降噪的递归系数没处理好，运动补偿的置信度阈值设得太激进，把真实运动当噪声滤了，又把噪声当静态场景叠了十几帧。

从那以后我明白一个道理：时域降噪不是简单的“多帧平均”，它是在信噪比和运动伪影之间走钢丝。今天把这几年踩过的坑、调过的参数、翻过的车，全抖出来。

二、时域降噪为什么比空域降噪难搞

空域降噪（比如双边滤波、NLM）只处理单帧，你调得再猛，最多糊一点。时域降噪不一样，它跨帧操作，一旦运动补偿出问题，鬼影、拖尾、闪烁全来了。

核心矛盾：噪声是随机的，信号是相关的。理论上帧数越多SNR提升越大（3dB/每翻倍帧数），但现实是——场景会动。手会抖，云会飘，车会跑。你叠了8帧，人眼已经看到重影了。

所以时域降噪的本质是：在时间维度上做自适应加权平均，权重由运动检测结果决定。

三、运动补偿：别信光流，信块匹配

很多人一上来就提光流法（optical flow），觉得高大上。我在海思平台上试过，算力吃不起，而且光流对纹理缺失区域（比如白墙）直接崩。实际量产方案，90%用块匹配（Block Matching）。