南开大学突破闪烁去除难题：让你的手机拍照告别恼人的条纹干扰

当我们在室内用手机拍照时经常会发现照片上莫名其妙地出现了一道道明暗相间的条纹就像老电视机信号不好时出现的横纹一样。这种现象被称为闪烁伪影它的出现让许多原本精美的照片变得面目全非。最近来自南开大学国际先进研究院深圳·福田、南开大学计算机学院、香港理工大学以及OPPO研究院的联合研究团队为这个困扰摄影爱好者已久的问题提出了一个创新解决方案。这项研究成果已于2026年3月发表在计算机视觉顶级会议论文集中论文编号为arXiv:2603.22794v1。要理解闪烁伪影的成因我们可以把它比作观察旋转的风扇叶片。当风扇高速旋转时如果你用极短的曝光时间拍照可能只会捕捉到叶片在某个特定位置的瞬间状态而无法呈现完整的旋转过程。室内的交流电照明就像这个旋转的风扇它的亮度会随着电流的交替变化而周期性地明暗闪烁频率通常是电源频率的两倍也就是每秒100次或120次。现代相机采用的滚动快门技术更是雪上加霜。滚动快门就像是一个从上到下移动的窗帘它逐行扫描图像传感器而不是同时曝光整个画面。当这个扫描窗帘遇到正在闪烁的灯光时画面的不同行就会记录到灯光的不同亮度状态最终形成我们看到的条纹图案。研究团队巧妙地发现这些看似随机的条纹实际上蕴含着两个关键特征周期性和方向性。周期性就像音乐的节拍一样闪烁条纹会按照一定的间隔重复出现。而方向性则体现在这些条纹总是沿着相机扫描的方向排列通常是水平或垂直方向。基于这两个发现研究团队开发了一个名为Flickerformer的智能系统它就像一个经验丰富的修图师能够识别并消除这些恼人的条纹。Flickerformer的工作原理可以比作一个三人组合的协同作业。第一个成员叫做相位融合模块它专门负责分析多张连续拍摄的照片。研究团队发现了一个有趣的现象当你交换两张闪烁照片的相位信息时闪烁模式也会随之交换这表明相位信息编码了闪烁的空间分布。就像调音师能够识别音乐中的和谐与不和谐一样相位融合模块能够通过分析不同照片间的相位相关性找出哪些区域是正常的哪些受到了闪烁干扰。第二个成员是自相关前馈网络它的作用类似于寻找图案中的重复元素。当你观察一块有规律花纹的壁纸时你的大脑会自动识别出重复的图案单元。自相关前馈网络就是模拟这个过程它在频域中寻找图像内部的周期性结构帮助系统更好地理解闪烁的规律性特征。第三个成员是小波方向注意模块这是整个系统中最具创新性的部分。小波变换就像是一个特殊的放大镜它能够将图像分解成不同频率和方向的组件。高频组件通常包含了边缘、纹理等细节信息而在闪烁图像中这些高频信息往往携带着闪烁条纹的方向特征。这个模块利用Haar小波变换将特征分解为一个低频分量和三个高频分量其中水平和垂直方向的高频分量能够很好地捕捉到闪烁条纹的边缘变化。整个Flickerformer系统采用了一种U形的编码器-解码器架构这种设计就像是一个漏斗先将图像信息压缩提取精华再逐步扩展恢复细节。在编码器阶段系统使用自相关前馈网络来增强对周期性特征的感知能力。在解码器阶段小波方向注意模块发挥作用利用高频信息指导低频区域的恢复实现精确的闪烁定位和去除。为了验证这个系统的效果研究团队在真实世界的闪烁数据集上进行了大量实验。结果显示Flickerformer在各项评估指标上都显著优于现有的最先进方法。在峰值信噪比PSNR这个衡量图像质量的重要指标上Flickerformer达到了31.226分贝比第二名高出0.580分贝而且参数量仅为其他方法的不到20%。这就像是用更小更轻的装备实现了更好的效果。更令人印象深刻的是在视觉质量比较中Flickerformer展现出了卓越的闪烁去除能力。研究团队展示的对比图像显示当其他方法在处理严重闪烁时还会留下明显的条纹痕迹或产生颜色偏差时Flickerformer能够彻底消除闪烁的同时保持图像的自然外观。特别是在处理屏幕闪烁这种特别顽固的情况时Flickerformer的优势更加明显。研究团队还进行了详细的消融研究验证了每个组件的贡献。当移除相位融合模块时系统在多帧融合时就无法有效区分正常区域和闪烁区域导致恢复质量下降。当用传统的前馈网络替换自相关前馈网络时系统对周期性特征的感知能力明显减弱。而当用普通的注意力机制替换小波方向注意模块时系统对细微闪烁区域的定位精度也会下降。从计算效率的角度来看Flickerformer也表现出色。小波方向注意模块通过只在低频子带上执行注意力计算将计算复杂度降低了约75%同时保持了表示能力。这种设计使得该方法不仅效果好而且运行速度快更适合实际应用。当然这项技术也存在一定的局限性。当连续多帧图像中的清洁区域无法覆盖整个场景时比如某些区域的灯光完全熄灭系统就难以恢复这些缺失的信息。这就像拼图游戏中缺少了关键拼块即使再智能的系统也无法凭空创造出这些内容。从技术发展的角度来看这项研究的意义远不止解决拍照时的条纹问题。随着短视频、直播等应用的普及人们对图像质量的要求越来越高。传统的解决方案要么需要专门的硬件设备要么效果有限。而Flickerformer这样基于深度学习的软件解决方案为各种设备提供了一个通用的、高质量的闪烁去除能力。更重要的是这项研究展示了一种新的思路不是简单地将闪烁去除当作一般的图像恢复任务来处理而是深入分析闪烁现象的物理本质将这些物理先验知识融入到神经网络的设计中。这种结合物理建模和深度学习的方法为其他类似的计算摄影问题提供了有价值的参考。在实际应用场景中这项技术可能会很快集成到各种相机应用和图像处理软件中。用户在拍摄连续几张照片后系统就能自动识别并去除闪烁干扰让每一张照片都呈现出理想的效果。对于专业摄影师来说这意味着在室内或人工光源环境下拍摄时不再需要额外的设备或复杂的后期处理。对于普通用户来说这意味着用手机拍照时再也不用担心那些讨厌的条纹会毁掉珍贵的回忆瞬间。说到底这项研究解决的虽然看起来是一个技术细节问题但它触及的是我们日常生活中最基本的需求——记录和分享美好的瞬间。当技术能够让我们更轻松地捕捉生活中的美好让每一个普通人都能成为更好的摄影师时这样的进步就具有了超越技术本身的价值。随着这类智能图像处理技术的不断发展和普及我们有理由期待一个图像质量更高、创作门槛更低的视觉时代的到来。QAQ1什么是闪烁伪影为什么会出现这种现象A闪烁伪影是指在室内用相机拍照时出现的明暗相间条纹。这是因为室内交流电照明会周期性闪烁加上相机的滚动快门逐行扫描导致画面不同行记录到不同亮度最终形成条纹图案。Q2Flickerformer如何去除闪烁条纹AFlickerformer通过三个核心模块协同工作相位融合模块分析多张照片找出正常区域自相关前馈网络识别闪烁的周期性特征小波方向注意模块利用高频信息精确定位并恢复闪烁区域最终实现彻底的条纹去除。Q3这项技术什么时候能在手机上使用A虽然论文没有明确的商业化时间表但考虑到Flickerformer的高效设计和OPPO研究院的参与这项技术有望在不久的将来集成到相机应用中让普通用户能够轻松获得无闪烁的高质量照片。