AI-ISP 评估：画质、时域稳定性与存储代价

定义应用所需的“更好图像”

AI 降噪、超分辨率与增强应依据应用专属画质标准评估。检测相机可能优先保留细小缺陷，远程操作员可能更看重可见性和运动稳定性。比较输出前，固定传感器、镜头、曝光、增益及输入处理路径，否则改善可能来自采集条件变化，而非 IP。

ITU-T P.910 描述多媒体视频质量的主观评价方法，可作为人工观看比较的设计参考；机器视觉还需单独定义任务级测试。视觉效果好，并不足以证明尺寸、纹理或检测精度得到保留。

来源：1

测试视频序列，而非精选静态画面

准备困难序列：弱光运动、细密重复纹理、光照突变、饱和高光、快速转动和场景切换。检查拖影、闪烁、细节损失及突变后的恢复。使用有参考指标时，应记录对齐方式、色彩域、位深与平均方法；缺少指标和基线时，不能仅凭一个提升百分比判断。

对于时域模型，应测试启动与状态复位行为。对于超分辨率，分别明确输入和输出尺寸：每个维度放大两倍会产生四倍输出像素。所有候选方案应在相同输出速率及后级编码或显示路径下比较。

测量紧耦合实际消除的流量

以存储计算为例，3840 × 2160 的 RGB 图像、三个分量各 8 位，一帧占 24,883,200 字节。在 60 fps 下，一次完整帧写入加一次读取约为 2.986 GB/s，尚未计入对齐和总线开销。消除该中间传输具有价值，但其他缓冲、历史数据、权重及输出流量仍然存在。

伯克利实验室的 Roofline 框架将计算与数据移动联系起来。应用这一思路，可要求供应商标明处理图中的每个存储边界。对于“零拷贝”或“无帧缓存”等描述，应确认具体消除的传输及总流量实测分解，不能据此认为整个 SoC 不需要外部存储。

来源：2

验收可复现的配置

记录模型版本、权重、数值精度、时钟、存储分配及启用功能。在同一配置下测量端到端延迟、持续速率、功耗和画质。约定调校、新传感器支持及部署工具链维护责任，明确区分 FPGA 演示、仿真估算与 ASIC 硅片实测。

带着这些问题开展 IP 评估

• 约定场景覆盖与应用专属画质标准。
• 测试运动、场景切换、启动及状态恢复。
• 联合比较画质、延迟、存储流量及功耗。