112、AI降噪的芯片平台部署——从BM3D到深度学习降噪在安霸CVflow上的实现上个月在调试一个车载夜视项目，客户反馈雨天高架桥上，车灯眩光区域的拖影和噪点简直没法看。我们用的安霸CV22，传统3DNR已经压到极限，再往上调就会把路灯的轮廓抹成光晕。我盯着示波器上的ISP管线时序图，突然意识到一个事儿——我们一直在用2010年的算法，去解决2024年的问题。BM3D在PC上跑得欢，但到了嵌入式平台，那个块匹配的搜索窗口一开，DDR带宽直接爆掉。这不是算法选型的问题，是架构思维的问题。先说说BM3D在芯片上的真实处境。BM3D的核心是分组+协同滤波，第一步块匹配就要在整帧范围内搜索相似块，这个搜索窗在PC上开个39x39没问题，但到了CVflow上，你得把搜索窗砍到17x17，否则L2 cache根本装不下。更坑的是，BM3D的第三步——聚合加权，需要把重叠的块结果写回原图位置，这个随机写模式对DDR的page hit率是灾难。我见过有同事硬上BM3D，结果帧率从30fps掉到12fps，温度直接飙到85度，最后项目砍掉重来。所以当深度学习降噪开始流行时，很多人以为找到了银弹。但真正在安霸CVflow上部署过就知道，DNN降噪的坑比BM3D更深。CVflow的NPU架构是分层的——有专门的卷积加速单元，但它的数据流是固定的：输入要经过DMA搬到SRAM，卷积核要预加载到片上buffer，激活函数有硬件查表。这意味着你不能像在GPU上那样随意改网络结构。我们第一次尝试把U-Net搬上去，编码器部分还好，但解码器的跳层连接在CVflow上是个大问题——跳层意味着要把中间特征图存回DDR，再在解码阶段读回来，这个来回搬运的带宽开销直接吃掉了NPU省下来的算
