070、多帧降噪工程化：MFNR 的帧对齐、鬼影检测与融合权重的完整流程

070、多帧降噪工程化：MFNR 的帧对齐、鬼影检测与融合权重的完整流程

一、从一次“鬼影翻车”说起

去年Q2，某旗舰机项目，夜景模式拍路灯下的行人。用户反馈：人走过去，照片里留下半透明拖影，像幽灵。我们查了三天，发现是MFNR（多帧降噪）的帧对齐模块在低照度下把运动物体当成了噪声，强行对齐到参考帧，结果融合时把不同位置的同一物体叠在了一起。

这个坑让我意识到：MFNR不是简单的“拍几帧平均一下”，帧对齐、鬼影检测、融合权重这三个环节，任何一个出问题，最终照片都会“翻车”。今天就把这套流程的工程化细节掰开揉碎讲清楚。

二、帧对齐：不是所有像素都值得对齐

2.1 全局对齐 vs 局部对齐

MFNR通常先做全局对齐，再做局部对齐。全局对齐用仿射变换或单应性矩阵，处理手持抖动。局部对齐用光流或块匹配，处理场景内微小运动。

这里踩过坑：全局对齐用SIFT特征点匹配，在暗光下特征点数量不够，矩阵解算直接崩掉。后来换成基于梯度统计的快速配准，牺牲一点精度，但鲁棒性提升明显。

// 全局对齐：基于金字塔的快速配准// 别这样写：直接对全分辨率做光流，计算量爆炸