# 四路视频超分深度评测

生成时间：2026-08-05T19:11:24+08:00  
数据集：`original / ps-sr / tencent / flashvsr`，共 13 组，按相同帧序号对齐。

## 结论摘要

1. **源结构一致性最高的是 Tencent。** 平均 SSIM-Y：PS-SR 0.8762、Tencent 0.9407、FlashVSR 0.7133；逐样本第一名次数为 PS-SR 1/13、Tencent 12/13、FlashVSR 0/13。
2. **平均时序残差最低的是 Tencent。** 均值：PS-SR 1.129、Tencent 0.834、FlashVSR 2.630。该指标越低通常越稳定，但仍需结合近似静止帧检测，不能把冻结误判为稳定。
3. **锐度不是正确性。** 相对 Lanczos 显示基线的 Laplacian 中位倍率：PS-SR 2.84、Tencent 4.34、FlashVSR 3.24。更高可能是恢复，也可能是振铃、噪声或生成纹理。
4. **编码仍未统一。** 平均码率：PS-SR 85.6、Tencent 5.7、FlashVSR 22.4 Mbps。模型和编码器贡献尚未完全解耦，不能用文件体积直接排模型质量。
5. **FlashVSR 是 Atlas 生产 API 的真实输出。** 使用 `atlascloud/video-upscaler`、目标 `1080p`，保持原始 24 FPS 和逐条帧数；生产任务时间与 API latency 独立记录。

## 证据强度与边界

- A 级硬证据：分辨率、帧数、帧 PTS、码率、文件大小。各路均为 24 fps；每组帧数与首末帧 PTS 一致，没有“5 秒变 6 秒”的新增帧。容器 duration 差异来自尾部封装时长。
- B 级测量证据：回缩源一致性、几何相位相关、显示尺度锐度、色差、时序高频残差。这些是可复现代理指标，不是 HR 真值质量。
- C 级视觉判断：人脸、细线和表面纹理的自然度。可用于发现风险，不足以证明恢复正确。
- 未知：original 是 720×1280 输入，不是 ground truth；没有 1080p 真值，不能计算真正的 SR fidelity。FlashVSR 13 条生产任务：任务总时间均值 24.334s，API `latency_ms` 均值 14.059s。 生产账单记录合计 $1.494。 当前分析用的是成品编码视频，模型与编码器贡献尚未完全解耦。

## FlashVSR 生产耗时

FlashVSR 13 条生产任务：任务总时间均值 24.334s，API `latency_ms` 均值 14.059s。 生产账单记录合计 $1.494。

| 样本 | 生产任务总时间 s | API latency s | 客户端观测 s | 价格 USD |
|---:|---:|---:|---:|---:|
| 0 | 48.687 | 13.111 | 7.1 | 0.108 |
| 1 | 21.412 | 13.150 | 38.0 | 0.108 |
| 2 | 20.476 | 12.606 | 34.5 | 0.108 |
| 3 | 31.083 | 21.984 | 140.2 | 0.180 |
| 4 | 20.515 | 19.078 | 72.7 | 0.126 |
| 5 | 21.026 | 11.354 | 55.9 | 0.090 |
| 6 | 20.894 | 11.147 | 31.5 | 0.090 |
| 7 | 20.832 | 10.645 | 37.9 | 0.090 |
| 8 | 19.813 | 10.535 | 41.9 | 0.090 |
| 9 | 20.323 | 10.324 | 28.6 | 0.090 |
| 10 | 29.952 | 22.489 | 57.0 | 0.198 |
| 11 | 21.288 | 15.837 | 122.5 | 0.126 |
| 12 | 20.040 | 10.513 | 30.1 | 0.090 |

## 统计检验

以 13 个样本为配对单位，对各模型两两使用双侧 Wilcoxon signed-rank，并对全部探索性检验做 Holm 校正。校正后显著项：PS-SR vs Tencent · 源结构一致性 SSIM-Y Holm p=0.0059；PS-SR vs Tencent · 时序细节残差 Holm p=0.0376；PS-SR vs FlashVSR · 源结构一致性 SSIM-Y Holm p=0.0488；PS-SR vs FlashVSR · 源亮度 PSNR-Y Holm p=0.0044；PS-SR vs FlashVSR · 色差 ΔE00 Holm p=0.0376；PS-SR vs FlashVSR · 时序细节残差 Holm p=0.0417；PS-SR vs FlashVSR · 8px 块效应代理 Holm p=0.0044；Tencent vs FlashVSR · 源结构一致性 SSIM-Y Holm p=0.0044；Tencent vs FlashVSR · 源亮度 PSNR-Y Holm p=0.0044；Tencent vs FlashVSR · 时序细节残差 Holm p=0.0044；Tencent vs FlashVSR · 8px 块效应代理 Holm p=0.0044。显著只表示代理指标分布不同，不表示生成细节真实。

## 逐样本结果

| 样本 | 内容类型 | SSIM-Y PS-SR / Tencent / FlashVSR | ΔE00 PS-SR / Tencent / FlashVSR | 时序残差 PS-SR / Tencent / FlashVSR | 码率 Mbps PS-SR / Tencent / FlashVSR | 异常提示 |
|---:|---|---:|---:|---:|---:|---|
| 0 | 极暗场景 / 金属细线 | 0.7364 / 0.9561 / 0.8513 | 1.57 / 1.27 / 1.63 | 0.476 / 0.280 / 0.670 | 71.7 / 2.6 / 10.6 | Tencent 近似静止帧对 1 |
| 1 | 暗场门洞 / 多人物 | 0.8477 / 0.9617 / 0.7780 | 2.02 / 1.53 / 2.31 | 0.407 / 0.246 / 0.390 | 71.2 / 1.7 / 9.8 | Tencent 近似静止帧对 6 |
| 2 | 暗肤色人像近景 | 0.8067 / 0.9719 / 0.8215 | 2.18 / 1.64 / 2.67 | 0.478 / 0.379 / 0.483 | 74.0 / 1.6 / 11.7 | — |
| 3 | 明亮人像 / 皮肤与文字 | 0.8966 / 0.9705 / 0.5363 | 2.78 / 1.96 / 8.92 | 1.594 / 0.943 / 5.190 | 85.3 / 7.8 / 30.6 | — |
| 4 | 高密度幻想建筑 | 0.8298 / 0.9367 / 0.2666 | 3.74 / 2.73 / 11.26 | 4.190 / 2.527 / 13.680 | 127.3 / 16.2 / 63.3 | — |
| 5 | 金属钥匙微距 | 0.8652 / 0.8727 / 0.7539 | 3.17 / 2.62 / 2.98 | 1.325 / 1.317 / 2.187 | 104.1 / 12.0 / 34.2 | — |
| 6 | 手掌与金属物体 | 0.9318 / 0.9451 / 0.8289 | 3.69 / 3.96 / 4.52 | 1.009 / 0.789 / 1.802 | 81.6 / 4.6 / 14.7 | — |
| 7 | 逆光背影 / 点光源 | 0.9349 / 0.9391 / 0.7353 | 3.44 / 4.68 / 4.23 | 1.153 / 1.273 / 3.102 | 85.3 / 5.4 / 17.9 | — |
| 8 | 教堂纵深 / 重复线条 | 0.8993 / 0.9164 / 0.5857 | 3.34 / 4.28 / 4.75 | 0.628 / 0.555 / 0.848 | 73.9 / 6.6 / 25.9 | — |
| 9 | 人像与背景人群 | 0.9269 / 0.9243 / 0.8362 | 3.68 / 4.82 / 4.29 | 0.495 / 0.394 / 0.482 | 69.3 / 2.8 / 9.5 | — |
| 10 | 室内广角 / 人物群像 | 0.9266 / 0.9440 / 0.7799 | 3.45 / 4.62 / 4.28 | 0.810 / 0.708 / 1.544 | 81.1 / 4.3 / 16.1 | Tencent 近似静止帧对 13 |
| 11 | 眼部极近景 | 0.8450 / 0.9311 / 0.6268 | 3.88 / 4.87 / 3.41 | 1.598 / 1.041 / 3.296 | 116.3 / 6.0 / 39.1 | — |
| 12 | 双手、钥匙与散景 | 0.9439 / 0.9596 / 0.8723 | 3.60 / 3.90 / 4.34 | 0.514 / 0.385 / 0.515 | 71.4 / 2.3 / 7.2 | — |

## 方法

- 源一致性：把每路 1080×1920 输出用 area kernel 回缩到 720×1280，与同帧原视频计算 PSNR-Y、SSIM-Y、MAE-Y 和 ΔE00。
- 锐度/纹理：三路统一到 540×960 的显示尺度，计算 Laplacian、Tenengrad、边缘密度、高频能量和 99 分位 Laplacian。原视频先用 Lanczos 构成非 AI 基线。
- 时序：统一到 180 px 宽，比较 `输出高频残差 - 源高频` 在相邻帧间的变化；另记录相邻解码帧平均亮度差小于 0.05 的近似静止帧对。
- 几何：相位相关结果显示两路平均位移都低于 0.1 个源像素量级，没有系统性裁切或缩放证据。
- 编码：报告码率、总大小和 bits/pixel/frame，不把高码率带来的收益归因给模型。

## 产品建议

1. 对每个 lane 的近似静止帧样本做逐帧复核，区分真实低运动、冻结和编码重复。
2. 用同一编码器输出 lossless 或同 CRF 版本，再做一次模型 A/B，分离模型收益与编码收益。
3. 建一个原生 1080p 视频集，先降采样到 720p 再超分，才能量化真实 PSNR/SSIM/LPIPS/VMAF 与细节恢复正确性。
4. 人脸、低光、密集结构、金属表面分别设门槛；不要用单一总分掩盖 5 号纹理幻觉、10 号卡顿和 11 号眼睑伪影。
5. 继续要求各服务统一记录 `case_id / model_version / decode / inference / encode / total / output_bytes`；FlashVSR 本轮已有生产 task 级耗时，PS-SR/Tencent 仍缺原始推理日志。