想象你从阁楼角落翻出一盒二十年前的录像带，放进播放器，屏幕上满是雪花点、一条条竖着的白线，人脸的颜色也早已发黄——这就像一栋多年没人住的老房子：墙面蒙尘、墙体开裂、油漆褪色。AI 视频修复，就是请来一支“翻新施工队”，把这栋老房子重新打理干净。施工队要做的活计有三件：除尘（去噪）、补缝（去划痕）、重新装修（画质增强）；再加上监工（修复流程）和工具箱（软件工具）。本文就用这套“老房子翻新”的故事，带你走完 AI 视频修复的全过程：先学会判断房子破了哪里（认识退化），再依次上场除尘、补缝、装修，最后安排监工、挑好工具。看完这篇，你也能像个老师傅一样，把旧视频救回来。

岗位关联

掌握视频修复基础后，你可以在影视后期、旧档案数字化、安防影像增强等方向，用 AI 工具显著提升画质与处理效率，成为团队里“救活老素材”的关键角色。

目录
  1. 可视化演示
  2. 认识视频退化
  3. 去噪技术
  4. 去划痕修复
  5. 画质增强
  6. 修复工作流
  7. 常用工具
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示AI视频修复的去噪对比、四阶段修复流水线与多种退化类型分析，切换模式查看不同修复维度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

去噪修复对比 含噪帧随机噪声叠加模拟降质视频 修复后帧噪声消除画质提升 PSNR = 10·log₁₀(MAX²/MSE) PSNR越高修复质量越好

认识视频退化

老房子不会一夜之间倒塌，而是经年累月才变得破旧：灰尘一层层落，墙面一块块裂，油漆一点点发黄。视频也一样。“退化”这个词，说的就是老视频在拍摄、存储、压缩、转码的过程中一点点积累的损伤——你看到的雪花点、白条、模糊和偏色，都是岁月的痕迹。

在动手修复前，施工队要先勘察——这栋老房子到底哪里坏了？最常见的损伤有四类：噪点，像墙上的灰垢颗粒；划痕，像墙面的裂缝；模糊，像隔着一层毛玻璃；色彩衰退，像退了色的墙漆。搞清楚破损类型，才能决定后面派哪支施工队上场。

在专业领域，我们常用 PSNR（峰值信噪比）给“破损程度”打分。它把修复后的画面和原始画面逐像素比较，算出差异有多大：数值越高，说明修复结果越接近原始画面，房子修得越“还原”。

勘察是翻新的第一步。只有先看清老房子有哪些破损，才能决定接下来怎么施工。最常见、也最普遍的问题，就是“灰尘”——噪点。下一节，我们就从除尘说起。

PSNR=10×log⁡10(MAX2MSE)\displaystyle \text{PSNR} = 10 \times \log_{10}\left(\frac{\text{MAX}^2}{\text{MSE}}\right)
PSNR 就像装修验收时拿尺子量墙面的平整度：误差的平方越小，分数越高，说明施工越接近原样。
  1. 计算 MSE先求修复前后逐像素差的平方均值，MSE 越小说明两张画面越接近。
    MSE=1MN∑x=1M∑y=1N[I(x,y)−K(x,y)]2\displaystyle \text{MSE} = \frac{1}{MN}\sum_{x=1}^{M}\sum_{y=1}^{N}\left[ I(x,y) - K(x,y) \right]^2
  2. 取峰值 MAXMAX 是像素能取到的最大值，8 位视频里通常取 255，代表最亮的白。
    MAX=255\displaystyle \text{MAX} = 255
  3. 算比值再取对数用 MAX² 除以 MSE，得到“信号对噪声”的倍数，再乘 10 取以 10 为底的对数，把巨大倍数压缩成好读的分数。
    10×log⁡10(MAX2MSE)\displaystyle 10 \times \log_{10}\left(\frac{\text{MAX}^2}{\text{MSE}}\right)
  4. 解读数值PSNR 通常落在 20～50 dB，越大越好；一般 30 dB 以上人眼就较难察觉差异了。
    30 dB 以上：质量较好\displaystyle 30~\text{dB} \text{ 以上：质量较好}

去噪技术

除尘是翻新最基础的工序。想象你隔着下着雨的窗户看房子：每一瞬间看到的画面都不太一样。但如果你连续看很多眼，把看到的印象叠在一起，雨点造成的干扰就会彼此抵消，房子的轮廓反而清晰起来。

这就是“时域去噪”的核心思想：噪点是随机的，真实画面是固定的。把相邻若干帧的同一位置取平均，噪点就互相抵消，真实的画面则保留下来。这正是刚才可视化演示里发生的事情——N 帧平均后，老房子的轮廓从噪点中浮现。

具体方法上，去噪家族分几支：空域去噪在单帧内利用周围像素做平滑，像用抹布擦掉局部灰渍，快但容易让画面变肉；时域去噪用多帧平均，效果自然；运动估计先追踪物体运动方向，把各帧对齐后再平均，避免人物走动产生重影；AI 去噪则用海量数据学习“噪声长什么样”，能更聪明地分辨真实纹理和干扰颗粒。

除尘之后，墙面虽然干净了，但裂缝还在。下一道工序，就是泥瓦匠上场的补缝环节。

I^(x,y)=1N∑t=1NIt(x,y)\displaystyle \widehat{I}(x,y) = \frac{1}{N}\sum_{t=1}^{N} I_t(x,y)
多帧平均就像“多双眼睛同时看同一栋房子”：每个人看到的随机误差不一样，综合起来误差就被抵消了，看得越多次越接近真实长相。
  1. 选取 N 帧在当前帧前后各取若干帧，组成一个“观察小组”。
    t=1,2,…,N\displaystyle t=1,2,\dots,N
  2. 对应像素相加把同一位置、不同帧的像素值全部加起来。
    ∑t=1NIt(x,y)\displaystyle \sum_{t=1}^{N} I_t(x,y)
  3. 取平均总和除以 N，得到去噪后的像素值。
    I^(x,y)=1N∑t=1NIt(x,y)\displaystyle \widehat{I}(x,y)=\frac{1}{N}\sum_{t=1}^{N} I_t(x,y)
  4. 噪声方差分析真实画面每帧相同，而随机噪声相互独立，N 帧平均后噪声标准差缩小为原来的 \(1/\sqrt{N}\)，所以帧数越多越干净。
    σavg=σN\displaystyle \sigma_{\text{avg}} = \frac{\sigma}{\sqrt{N}}

去划痕修复

老房子墙上的裂缝，泥瓦匠修补时不会凭空造砖，而是先观察裂缝周围的完好墙面，再填入修补材料，让补丁和周围自然衔接。视频里的“裂缝”就是划痕——那些贯穿画面的一条条亮线或暗线，常在老胶片和 VHS 录像带上出现。

去划痕的第一步是检测：把裂缝的位置精确标出来。这通常用亮度突变检测或 AI 分割模型完成；第二步是修补：用周围完好像素的信息填充损伤区域。这个技术叫图像修复（inpainting），原理很像泥瓦匠“照着邻居的样子补墙”。

修补还要讲“时序一致”：同一条裂缝在相连的几十帧里位置几乎不变，如果每帧各补各的，播放时就会一闪一闪。所以要参考前后帧的修补结果，保持连贯；对于较宽的破损，还会用纹理合成技术，让补丁区域“长出”和周围一致的纹理细节。

裂缝补好了，但整面墙还是发黄、模糊、光线昏暗。别急，下一道工序是油漆工和灯光师上场——重新装修。

I(p)=∑q∈N(p)w(p,q) I(q)∑q∈N(p)w(p,q)\displaystyle I(p) = \frac{\sum_{q \in \mathcal{N}(p)} w(p,q)\, I(q)}{\sum_{q \in \mathcal{N}(p)} w(p,q)}
修补公式就像泥瓦匠补墙：从裂缝周围的完好墙面（邻域 q）取样，离得越近的参考越多（权重 w 越大），最后加权平均出一个和周围自然衔接的补丁。
  1. 确定破损点 p划痕检测把裂缝标出来，p 是被覆盖、需要修补的像素点。
    p∈Ω\displaystyle p \in \Omega
  2. 找邻域 q围绕 p 的完好像素 q 组成邻域集合，它们是修补的“材料来源”。
    N(p)={q:∥q−p∥<r}\displaystyle \mathcal{N}(p) = \{ q : \lVert q-p \rVert < r \}
  3. 算权重距离越近、方向越相似的像素权重越大，w 代表该邻居的“参考价值”。
    w(p,q)=1∥p−q∥α\displaystyle w(p,q) = \frac{1}{\lVert p-q \rVert^\alpha}
  4. 加权归一把权重乘像素值求和，再除以总权重，得到与周围衔接自然的修补值。
    I(p)=∑q∈N(p)w(p,q) I(q)∑q∈N(p)w(p,q)\displaystyle I(p)=\frac{\sum_{q \in \mathcal{N}(p)} w(p,q)\, I(q)}{\sum_{q \in \mathcal{N}(p)} w(p,q)}

画质增强

重新装修是让老房子焕然一新的关键工序：换上高清玻璃（超分辨率）、重新调漆（色彩校正）、把家具擦亮（细节锐化）、给老式风扇换成变频电机（帧率提升）。每一项都在补回岁月带走的东西。

超分辨率（SR）是画质增强的核心：它从一张低分辨率画面中“脑补”出高分辨率细节。传统方法靠插值，只能在已有像素之间打圆场；AI 方法则让神经网络看过几百万张“低清-高清”配对图，学会把模糊变清晰的通用规律，这也是目前老视频上清晰度的首选方案。

色彩校正负责修复白平衡和饱和度，解决发黄褪色问题；细节锐化让轮廓和花纹更利落，但要小心别把噪点也强化了；帧率提升通过运动估计在相邻帧之间插入新帧，把 24fps 的老录像变成 60fps 的流畅画面，让动作不再一顿一顿。

装修工序齐全了，但施工不能一拥而上，还得有监工安排顺序、控制质量。这就是修复工作流的意义。

L(θ)=∥fθ(ILR)−IHR∥22\displaystyle \mathcal{L}(\theta) = \left\| f_{\theta}\left( I_{\text{LR}} \right) - I_{\text{HR}} \right\|_2^2
这个损失函数是超分网络的“考试标准”：把低清图输入网络，输出的高清猜想必须尽量接近真实高清答案，差距越小，说明这支护眼“装修队”手艺越好。
  1. 输入低分图把模糊的低分辨率画面 \(I_{\text{LR}}\) 送给超分网络。
    ILR\displaystyle I_{\text{LR}}
  2. 网络前向网络用参数 \(\theta\) 做多层运算，输出重建的高分图。
    I^HR=fθ(ILR)\displaystyle \hat{I}_{\text{HR}} = f_{\theta}(I_{\text{LR}})
  3. 与高清标签对比拿重建结果和真实高清图 \(I_{\text{HR}}\) 逐像素求差。
    I^HR−IHR\displaystyle \hat{I}_{\text{HR}} - I_{\text{HR}}
  4. 平方求和优化把差的平方求和得到损失，训练就是不断调整 \(\theta\) 让损失变小。
    θ∗=arg⁡min⁡θL(θ)\displaystyle \theta^{*} = \arg\min_{\theta} \mathcal{L}(\theta)

修复工作流

经验丰富的监工接手翻新项目，会先勘察（预处理），再一间房一间房地施工（分段修复），每完工一段就验收（质量评估），最后统一打包交付（导出设置）。视频修复同样遵循这套流程，顺序错了就会返工。

素材预处理是第一步：去隔行，把老式隔行扫描产生的横向梳齿纹消除；画面稳定，修复手持拍摄造成的抖动；再裁剪掉黑边。这些工作不完成，后面的去噪和增强都会把瑕疵放大。第二步是分段修复：按场景把视频切开，让每段使用统一参数，避免同一个镜头里忽亮忽暗。

质量评估要“客观+主观”双管齐下：客观指标如 PSNR、SSIM 快速打分，主观上则抽几帧放大检查人脸、字幕和运动边缘，毕竟人眼才是最终裁判。最后的导出设置决定交付质量：分辨率目标、码率、编码格式，直接影响文件大小和播放兼容性。

工序和监工都到位了，最后还需要一套趁手的工具箱。下一节，我们打开装修队的工具箱看看。

S=R×T8\displaystyle S = \frac{R \times T}{8}
导出文件的大小就像搬家打包的体积：码率（每秒的数据量）好比打包的松紧程度，时长好比东西的总量，两者相乘再除以 8 换成字节，就得到最后的箱子大小。
  1. 码率 R每秒数据量（bit/s），决定清晰度与体积的平衡点。
    R=W×H×fps×bpp\displaystyle R = W \times H \times \text{fps} \times \text{bpp}
  2. 时长 T视频总秒数，内容越长，文件自然越大。
    T\displaystyle T
  3. 相乘得总比特码率乘以秒数，得到整段视频的比特总数。
    R×T\displaystyle R \times T
  4. 除以 8 转字节1 字节等于 8 比特，换算后就是文件占用的字节数。
    S=R×T8\displaystyle S=\frac{R \times T}{8}

常用工具

装修队的工具箱按需求分成几档：专业施工队用成套专业设备，家庭用户用家用工具箱，喜欢动手的人可以买零件自己组装，想省事的人直接外包给平台。视频修复软件也正好对应这四种选择。

专业商用软件以 Topaz Video AI 为代表，集成了去噪、超分、插帧、去隔行等全套功能，还提供运动估计和批处理，效果最稳定，适合对质量要求高的从业者。入门友好的剪映专业版和各类剪辑插件，提供一键画质增强，适合快速上手。开源方案如 Real-ESRGAN、FFmpeg 管线，适合爱折腾、想控制成本或做二次开发的工程师。云端服务则按量付费，无需本地显卡，上传素材等结果即可。

选工具还要会算成本账：处理时间取决于总帧数和每秒处理帧数，分辨率越高、视频越长，等待越久；用云端服务时，还要关注排队时间和按分钟计价的单价，避免预算超支。

从勘察到验收，从除尘、补缝到重新装修，AI 这支“翻新施工队”已经能让老房子焕然一新。下次再翻出旧录像，你就有完整的施工思路了。

Tpro=Nframesvfps\displaystyle T_{\text{pro}} = \frac{N_{\text{frames}}}{v_{\text{fps}}}
处理时长就像搬家工人搬箱子：总共有多少箱（总帧数）除以每小时搬几箱（处理速度），就能估出大概要搬多久。
  1. 总帧数视频总帧数等于时长乘以帧率。
    Nframes=Tvid×fps\displaystyle N_{\text{frames}} = T_{\text{vid}} \times \text{fps}
  2. 处理速度硬件和软件配合下每秒能处理 v 帧，显卡越好通常越快。
    vfps\displaystyle v_{\text{fps}}
  3. 相除得预估时间总帧数除以处理速度，得到预计的处理秒数。
    Tpro=Nframesvfps\displaystyle T_{\text{pro}} = \frac{N_{\text{frames}}}{v_{\text{fps}}}

AI 应用场景

老电影与纪录片档案修复

阶段：后期制作（画质修复与增强）

解决的问题：馆藏胶片转数字后往往存在噪点、划痕、抖动和褪色，传统逐帧手工修补成本极高，一个修复师一天只能处理几十秒素材。

具体案例：某纪录片团队修复一批 1980 年代的乡村影像：先用 AI 去噪模型清除雪花噪点，再用划痕修复补掉竖线损伤，最后统一色彩并超分到 4K 交付电视台播出。

安防与司法影像增强

阶段：图像取证（视频增强）

解决的问题：监控画面分辨率低、夜间噪点多，人眼难以辨认车牌和面部，传统放大只会让画面更糊。

具体案例：警方调取停车场低清监控，用 AI 超分加去噪提升关键帧，再结合多帧时域平均稳定噪点，最终成功辨认车辆号牌，为案件提供关键线索。

家庭老录像数字化服务

阶段：内容再创作（视频修复）

解决的问题：家庭 VHS 录像带画质差、色彩衰退，普通用户不懂调参，又没有专业硬件。

具体案例：自由后期接单时，将客户几十年前的婚礼录像做去隔行、去噪、色彩校正后导出 1080p 电子版，交付给客户在手机和电视上观赏。

Python 演示

python48 行
import numpy as np  def add_noise(video, sigma=0.15):    """给视频的每一帧加上高斯噪声, 模拟老录像的噪点."""    noise = np.random.normal(0.0, sigma, video.shape)    return np.clip(video + noise, 0.0, 1.0).astype(np.float32)  def temporal_denoise(video, window=5):    """时域去噪: 对每一帧取其前后若干帧的平均值."""    frames, h, w, c = video.shape    result = np.zeros_like(video, dtype=np.float32)    half = window // 2    for t in range(frames):        start = max(0, t - half)        end = min(frames, t + half + 1)        result[t] = np.mean(video[start:end], axis=0)    return result  def psnr(original, restored, max_val=1.0):    """计算峰值信噪比, 数值越大说明修复结果越接近原片."""    mse = np.mean((original - restored) ** 2)    if mse == 0:        return float("inf")    return 10.0 * np.log10(max_val ** 2 / mse)  def main():    frames, h, w = 30, 64, 64    rng = np.random.default_rng(42)    # 模拟一段内容缓慢变化的干净视频    base = rng.random((h, w, 3)).astype(np.float32)    clean = np.stack([        np.clip(base + 0.02 * np.sin(i / 4.0), 0.0, 1.0)        for i in range(frames)    ]).astype(np.float32)    # 加上噪声模拟老录像    noisy = add_noise(clean, sigma=0.15)    # 用时域平均去修    restored = temporal_denoise(noisy, window=5)    print("Noisy    PSNR: %.2f dB" % psnr(clean, noisy))    print("Restored PSNR: %.2f dB" % psnr(clean, restored))  if __name__ == "__main__":    main()
目的：用 NumPy 模拟一段带噪视频，实现“多帧时域平均”去噪，并用 PSNR 对比修复前后的画质提升。
  1. noise = np.random.normal(0.0, sigma, video.shape)生成高斯随机噪声，模拟老录像的雪花噪点。
  2. return np.clip(video + noise, 0.0, 1.0).astype(np.float32)把噪声叠加到干净画面上，并裁剪到合法亮度范围。
  3. half = window // 2计算窗口半边长度，决定当前帧前后各取几帧参与平均。
  4. result[t] = np.mean(video[start:end], axis=0)核心时域去噪：对窗口内所有帧在“时间轴”上求平均。
  5. mse = np.mean((original - restored) ** 2)计算逐像素差平方的均值，即公式中的 MSE。
  6. return 10.0 * np.log10(max_val ** 2 / mse)套用 PSNR 公式，把误差换算成分贝分数。
  7. noisy = add_noise(clean, sigma=0.15)为干净视频加入强度 0.15 的噪声，模拟退化过程。
  8. restored = temporal_denoise(noisy, window=5)用 5 帧窗口对带噪视频做时域去噪。

常见误区

误区很多初学者以为超分和去划痕是“变魔术”，无论画面坏成什么样，AI 都能把原来真实的细节完美找回来。

正解AI 修复本质上是在“猜”——它是基于海量数据学到的先验，补出来的细节是“合理的想象”而非“真实的记录”。就像泥瓦匠只能补出和周围风格一致的墙面，补不出原来墙上的那行字。破损太严重时，AI 甚至会产生幻觉，编造不存在的纹理，所以修复后必须人工核对关键细节。

为何常见：因为厂商宣传视频里往往展示效果最好的案例，让人误以为修复是“无损还原”，忽略了 AI 推断的不确定性。

误区不少人认为去噪和模糊是一回事，反正都会损失细节，所以不敢用去噪，或者直接把去噪等同于“磨皮”。

正解好的去噪（尤其是时域去噪和 AI 去噪）目标是“去掉噪声、保留真实纹理”，就像除尘时小心避开家具上的雕花。但过度去噪确实会让纹理变平，所以关键在把握力度，必要时分层处理：平坦区域重去噪、纹理区域轻去噪。

为何常见：因为早期的中值滤波、高斯模糊等简单去噪确实以牺牲细节为代价，这种旧印象被沿用到了今天。

误区新手拿到修复软件，习惯把锐化、对比度、饱和度全部拉满，觉得“越鲜艳越清晰越高级”。

正解过度锐化会在边缘产生白边和光晕，过度饱和会让肤色发红发假。画质增强的目标是“自然还原”，而不是“用力过猛”。正确的做法是参考原始视频的色调和光照，小幅调整，并在多台设备上检查效果，就像刷漆前先试色，而不是整桶往墙上倒。

为何常见：因为鲜艳和锐利在手机小屏幕上看起来“更清楚”，容易让人误以为这就是高质量。

误区很多人以为点下“一键修复”，导出就是成品，从不去检查中间帧和运动场景。

正解AI 修复在处理人脸、字幕、快速运动物体时仍可能翻车：人脸变形、字幕发虚、运动边缘产生残影。专业流程必须抽帧检查，尤其关注人脸特写、文字区域和快速运动片段，必要时单独裁剪出来重新修复。监工的角色，AI 还替代不了。

为何常见：因为软件把操作做得太简单，掩盖了背后复杂的质量风险，让人误以为“简单等于可靠”。

面试题

Q1. PSNR 是衡量视频什么的指标？

单选题 · easy

  • A.修复画质与原始画面的接近程度← 正确答案
  • B.视频文件压缩后的码率大小
  • C.视频画面色彩的鲜艳程度
  • D.视频剪辑软件的操作速度

答案：A。PSNR（峰值信噪比）通过逐像素比较修复结果与原始画面的差异，数值越大代表越接近原片。它衡量的是“保真度”而非码率、色彩观感或软件性能，故选 A。

Q2. 多帧时域去噪的基本思路是什么？

单选题 · easy

  • A.将相邻多帧叠加取平均来抵消随机噪声← 正确答案
  • B.把单帧画面放大后再逐像素锐化
  • C.只保留视频画面中最亮的像素点
  • D.将彩色视频转为黑白来减少噪点

答案：A。真实画面在相邻帧中保持一致，而随机噪声互相独立，叠加平均后噪声相互抵消，信号保留下来。放大锐化、取最亮、转黑白都属于单帧处理，无法利用时间维度的信息。

Q3. 去划痕修复通常属于哪类图像处理任务？

单选题 · easy

  • A.图像修补任务中的划痕填充修复← 正确答案
  • B.目标检测任务中的物体识别定位
  • C.图像分类任务中的内容类别判断
  • D.视频压缩任务中的编码码率控制

答案：A。去划痕先检测损伤区域，再用周围完好像素信息填充缺失内容，这正是图像修补（inpainting）任务。它既不是识别检测，也不是分类或压缩编码。

Q4. 视频修复时加入运动估计的主要目的是什么？

单选题 · mid

  • A.避免移动物体在多帧平均后产生重影← 正确答案
  • B.让修复视频文件体积变得更小更省空间
  • C.把视频画面背景替换成完全新的场景
  • D.直接在视频画面上叠加转场特效字幕

答案：A。多帧平均假设画面静止，但人在走动时各帧位置不同，直接平均会产生残影。运动估计先算出物体的位移并对其对齐，再做时域处理。它与压缩、换背景、加字幕无关。

Q5. AI 超分辨率技术的主要目标是什么？

单选题 · mid

  • A.从低分辨率重建高清细节提升清晰度← 正确答案
  • B.把彩色视频画面转换为黑白风格视频
  • C.删除视频中多余的人和物实现去重
  • D.将长视频自动剪辑为多个短视频片段

答案：A。超分辨率（SR）的目标是从低分辨率输入重建出高分辨率、细节丰富的结果，如同给老房子换上高清玻璃。转黑白、删物体、自动剪辑都属于其他任务。

Q6. 色彩校正主要改善老视频的什么问题？

单选题 · mid

  • A.修复画面发黄褪色和整体偏色问题← 正确答案
  • B.解决视频播放时的卡顿与掉帧现象
  • C.消除视频录音中的底噪与电流杂音
  • D.让视频字幕与画面内容保持同步

答案：A。色彩校正通过修复白平衡、饱和度和对比度，解决老录像常见的发黄、褪色、偏色。卡顿、杂音、字幕同步分别属于播放性能、音频处理和字幕制作问题。

Q7. AI 超分网络训练时常用的重建损失函数是什么？

单选题 · hard

  • A.重建画面与高清标签之间的误差← 正确答案
  • B.视频文件大小与码率的乘积数值
  • C.画面中文字识别错误的字符总数
  • D.视频里人物数量统计的错误个数

答案：A。超分网络常用像素级重建损失（如 L2/L1 损失），即网络输出与真实高清图之间的逐像素误差，训练目标就是最小化该误差。文件大小、文字识别、人物统计都与超分训练无关。

Q8. 为什么 PSNR 无法完全反映人眼的主观感受？

单选题 · hard

  • A.它对画面纹理细节差异并不足够敏感← 正确答案
  • B.因为它只用于音频信号的质量评价
  • C.因为它的数值结果一定低于主观感受
  • D.因为它只能衡量视频文件的大小

答案：A。PSNR 是逐像素的数学误差统计，对纹理细节、边缘结构和人眼感知的敏感度有限，可能出现“PSNR 高但看起来更怪”的情况。它用于图像视频质量评价，也不衡量文件大小。

Q9. 老视频常见的退化问题有哪些？

多选题 · mid

  • A.画面布满随机噪点和雪花干扰颗粒← 正确答案
  • B.表面存在明显划痕与斑点状损伤← 正确答案
  • C.分辨率较低且整体画面模糊不清← 正确答案
  • D.视频画面裁剪比例随老化自动调整

答案：ABC。老视频退化典型表现为噪点、划痕、模糊和色彩衰退，前三个选项都是常见退化现象。而画面裁剪比例不会因为老化自动改变，故 D 错误。

Q10. 面对场景中的移动物体，直接做多帧平均会怎样？正确做法是什么？

多选题 · extreme

  • A.直接平均会产生残影且边缘发虚← 正确答案
  • B.需要先用运动估计对齐物体再平均← 正确答案
  • C.可将视频转成静态画面规避重影问题
  • D.正确做法是删除所有移动的物体

答案：AB。移动物体在各帧位置不同，直接平均会让它在画面中“拖影”，这就是残影问题。正确做法是用运动估计计算物体位移，对齐后再平均或插帧。转成静态画面会丢失运动信息，删除物体更是不可取。