128、洞察驱动的实战标题——坏点校正的"漏检与误杀"——静态坏点表+动态检测的互补策略，如何用3x3邻域统计识别极限case那天凌晨两点，我在产线上盯着第37块模组的raw图，心里骂了句脏话。客户反馈说夜景长曝光下，画面右上角出现了一个固定位置的红色亮点，但我们的坏点表里明明没有这个坐标。更诡异的是，同一块sensor在实验室常温下测了三天，坏点检测程序跑了几百遍，愣是没报出来。后来把模组放进-10℃的冷柜里，那个点又冒出来了——温度一低，暗电流翻倍，原本在阈值边缘的像素直接越过了检测线。这就是典型的"漏检"：静态坏点表是出厂时在特定条件下生成的，它永远无法覆盖sensor在整个生命周期里因为温度、电压、辐照、老化而新产生的坏点。反过来，动态检测也不是万能的。上个月另一个项目，客户投诉说拍照时画面中央总有一个暗斑，我们查了半天，发现是动态坏点检测把一片正常的暗角区域给"误杀"了——那是在低照度下，镜头本身的渐晕效应加上sensor的PRNU非均匀性，让某些像素的响应值天然偏低，动态检测算法一看"咦，这个点比周围暗了20%"，直接标记成坏点，然后插值替换，结果把原本平滑的暗角搞出了一块突兀的补丁。误杀比漏检更恶心，因为它会引入新的伪影，而且极难复现——换个镜头、换个光照条件，可能就没了。所以真正的工程实践，从来不是二选一，而是静态表打底、动态检测兜底，两者互补。但互补不是简单地把两个结果做"或"运算，那会把误杀也带进来。关键在于，动态检测的判定逻辑必须比静态表生成时更保守、更聪明——它要能区分"真坏点"和"假坏点"，尤其是那些处于极限case的像素。先说说静态坏点表是怎么来的。产线上用均匀光源照sensor，拍几十帧暗场和亮场，对每个像素做时间
128、洞察驱动的实战标题——坏点校正的“漏检与误杀“——静态坏点表+动态检测的互补策略，如何用3x3邻域统计识别极限case
128、洞察驱动的实战标题——坏点校正的"漏检与误杀"——静态坏点表+动态检测的互补策略，如何用3x3邻域统计识别极限case那天凌晨两点，我在产线上盯着第37块模组的raw图，心里骂了句脏话。客户反馈说夜景长曝光下，画面右上角出现了一个固定位置的红色亮点，但我们的坏点表里明明没有这个坐标。更诡异的是，同一块sensor在实验室常温下测了三天，坏点检测程序跑了几百遍，愣是没报出来。后来把模组放进-10℃的冷柜里，那个点又冒出来了——温度一低，暗电流翻倍，原本在阈值边缘的像素直接越过了检测线。这就是典型的"漏检"：静态坏点表是出厂时在特定条件下生成的，它永远无法覆盖sensor在整个生命周期里因为温度、电压、辐照、老化而新产生的坏点。反过来，动态检测也不是万能的。上个月另一个项目，客户投诉说拍照时画面中央总有一个暗斑，我们查了半天，发现是动态坏点检测把一片正常的暗角区域给"误杀"了——那是在低照度下，镜头本身的渐晕效应加上sensor的PRNU非均匀性，让某些像素的响应值天然偏低，动态检测算法一看"咦，这个点比周围暗了20%"，直接标记成坏点，然后插值替换，结果把原本平滑的暗角搞出了一块突兀的补丁。误杀比漏检更恶心，因为它会引入新的伪影，而且极难复现——换个镜头、换个光照条件，可能就没了。所以真正的工程实践，从来不是二选一，而是静态表打底、动态检测兜底，两者互补。但互补不是简单地把两个结果做"或"运算，那会把误杀也带进来。关键在于，动态检测的判定逻辑必须比静态表生成时更保守、更聪明——它要能区分"真坏点"和"假坏点"，尤其是那些处于极限case的像素。先说说静态坏点表是怎么来的。产线上用均匀光源照sensor，拍几十帧暗场和亮场，对每个像素做时间