175、超分在视频监控中的应用：人脸与车牌的超分辨率重建与识别提升上周半夜被运维电话吵醒，说某园区出入口的抓拍系统在雨天识别率暴跌到30%。我远程连上去一看，摄像头镜头上有水珠，拍出来的车牌糊成一团，人脸更是只能看到个轮廓。甲方要求不能换硬件——预算早花完了。这就是典型的“硬件不够，算法来凑”场景，也是我今天想聊的超分在视频监控中的实战落地。从模糊到可识别：超分不是“变清晰”那么简单很多人以为超分就是把模糊图像变清晰，像美颜滤镜那样。监控场景下完全不是这回事。监控视频的模糊来源很复杂：运动模糊（车辆快速通过）、光学模糊（镜头脏污或焦距不准）、压缩伪影（码率限制）、低光照噪声（夜间监控）。你用一个训练好的通用超分模型上去，大概率会把人脸细节“脑补”成错误特征，车牌数字“修复”成错误字符。我踩过最深的坑是：用EDSR对监控人脸做4倍超分，结果模型把眼睛周围的皱纹“修复”成了类似疤痕的纹理，导致人脸识别系统把这个人误判成了另一个有疤痕的人。甲方差点以为系统被黑客攻击了。人脸超分：别让模型“自由发挥”监控人脸超分和普通图像超分最大的区别在于：我们不需要视觉上好看，只需要识别准确。这意味着超分模型必须约束自己的“想象力”。实战中我推荐的做法是识别感知损失。具体来说，在训练超分网络时，不要只用MSE或L1损失，而是把预训练的人脸识别模型（比如ArcFace或CosFace）的中间特征也作为监督信号。代码实现大概是这样的：