112、时域降噪与多帧降噪：运动检测、帧对齐与融合权重的工程实现与伪影抑制一、从一次车载夜视调试的噩梦说起2019年，我在做一款车载环视系统的夜视降噪。客户反馈：车辆静止时画面干净得像白天，但只要一开动，车尾灯拖出一条长长的“鬼影”，路边的行人像被橡皮擦抹过一样——边缘全是虚的。更诡异的是，某些帧里车牌号码居然出现了重影，像是PS里没对齐图层。我花了整整两周，把降噪强度从10调到1，鬼影没了，但噪声又回来了。后来发现，问题出在运动检测的阈值上——我用的全局阈值，而车尾灯区域和路面纹理的运动幅度根本不在一个量级。那次之后我明白了一个道理：时域降噪不是简单的“多帧平均”，而是一场关于“哪些像素该信、哪些该扔”的博弈。二、时域降噪的核心矛盾：信噪比 vs 运动模糊时域降噪的基本原理很简单：对同一场景连续采集N帧，假设噪声是零均值的高斯分布，那么N帧平均后噪声标准差降低到原来的1/√N。但现实世界没有静止的场景——哪怕你把手机放在三脚架上拍夜景，树叶也在晃动，云也在飘。工程上的核心矛盾在于：降噪强度越大，运动拖影越严重。这个矛盾在低照度场景下尤其尖锐——信噪比本来就低，需要更多帧来平均，但运动区域恰恰需要减少帧数来避免模糊。我见过不少方案直接用帧差法做运动检测：当前帧与参考帧的像素差超过阈值就判为运动，然后对运动区域降低融合权重。这个思路没错，但坑在阈值选择上。阈值设低了，静止区域的噪声抖动会被误判为运动，导致降噪失效；阈值设高了，慢速运动物体（比如行