1. 课程导论：低光照视频的痛点分析、运动模糊与噪声的耦合关系、课程目标与项目总览
1.1 低光照视频的痛点分析
说实话，低光照视频处理是个老难题了。我入行那会儿，客户拿着手机拍的夜景视频来找我，画面里全是噪点，人脸根本看不清。他们问我：“能不能修一下？”我当时只能苦笑——单帧降噪都费劲，更别提视频了。
低光照视频的痛点，说白了就三个字：看不清。但具体拆开来看，问题远比想象中复杂。
| 痛点 | 表现 | 成因 |
|---|---|---|
| 亮度不足 | 画面整体偏暗，细节丢失 | 传感器进光量不够，曝光时间受限 |
| 噪声严重 | 颗粒感、彩色噪点、闪烁 | ISO 增益过高，传感器热噪声 |
| 运动模糊 | 物体边缘拖影，画面模糊 | 快门速度慢，手持抖动或物体运动 |
| 色彩失真 | 颜色偏绿、偏紫，饱和度低 | 白平衡算法失效，色彩通道信噪比不均 |
我在项目中遇到过最头疼的情况：一个安防监控场景，晚上只有路灯照明。画面里既有大量高斯噪声，又有行人走动带来的运动模糊。你单独做降噪，模糊更严重；你单独做去模糊，噪声被放大。这就是典型的“耦合问题”。
1.2 运动模糊与噪声的耦合关系
为什么说运动模糊和噪声是“耦合”的？你想想看，这两个问题在数学上就互相纠缠。
低光照视频的成像模型可以简化为：
观测帧 = (清晰帧 ⊗ 模糊核) + 噪声这里的 ⊗ 是卷积操作。模糊核由运动轨迹决定，噪声由传感器特性决定。问题是：模糊和噪声在频域里是重叠的。
- 模糊：主要抑制高频信息（边缘、纹理）
- 噪声：主要污染高频信息（随机波动）
所以当你试图恢复高频细节时，噪声也会被放大。这就是“去模糊放大噪声”的困境。反过来，降噪会进一步模糊边缘，让运动模糊更严重。
核心认知：低光照视频增强不能“分步走”——先降噪再去模糊，或者反过来。必须联合建模、联合优化。
我记得有一次做学术复现，里说“先做运动补偿，再做增强”。我照着做，结果运动补偿后的帧因为噪声太大，光流估计全是错的，补偿完反而更糊。嗯，从那以后我明白了：运动补偿和增强必须在一个框架里解决。
1.3 课程目标与项目总览
这门课的目标很明确：让你能独立搭建一套低光照视频增强与运动补偿系统。不是调个 API 就完事，而是从原理到代码，从模型到部署，全链路打通。
整个课程分为四个阶段：
- 基础篇（第1-8章）：成像模型、噪声建模、运动估计基础
- 算法篇（第9-18章）：低光照增强算法、运动补偿算法、联合优化方法
- 实战篇（第19-25章）：数据集构建、模型训练、调优技巧
- 部署篇（第26-30章）：模型压缩、端侧部署、性能优化
下面这张图展示了课程的核心知识体系：
学习建议：这门课代码量不小。我建议你准备一个 GPU 环境（至少 8GB 显存），以及一个视频采集设备（手机就行）。每章我都会提供可运行的代码示例，别只看不练。
1.4 你将学到什么
具体来说，完成这门课后，你能做到：
- 理解低光照视频的成像模型：知道噪声从哪来，模糊怎么产生
- 掌握运动估计算法：光流、块匹配、变形卷积，能选会用
- 搭建增强网络：从简单的直方图均衡到复杂的 Retinex 网络
- 实现联合优化：把增强和运动补偿放在一个框架里训练
- 部署到端侧：模型压缩、量化、ONNX 导出，跑在手机上
避坑提醒：我曾经在项目里直接用公开的低光照增强模型处理视频，结果每帧单独处理，帧间闪烁严重。后来才意识到——视频增强必须考虑时序一致性。这门课会专门讲这个问题。