chore: 同步最新实现代码（FP16 导出 / 轻量教师入口）与更新后的训练素材清单

625b06d verified 27 days ago

14 kB

---
license: cc-by-nc-4.0
library_name: onnxruntime
tags:
  - video
  - frame-deduplication
  - siamese-network
  - knowledge-distillation
  - onnx
  - directml
datasets:
  - wikimedia-commons
  - Sudabaka/SFDP-Siamese-NET-AI-Dataset
---

# Easy4K SFDP · Siamese NET AI

面向视频帧去重的轻量孪生网络。输入相邻两帧的同一位置灰度块，输出 0~1 的连续相似度，
用于识别 1 拍 2 / 1 拍 3 等重复帧场景。模型通过知识蒸馏复现 Easy4K SFDP 四阶判决器
（像素差、dHash、QR 分解、Farnebäck 光流）的判定行为，可在 NVIDIA / AMD / Intel 显卡上
通过 DirectML 统一推理。

## 训练数据声明

本模型在训练过程中**未分发、未再发布任何原始视频、音频或视频帧**。训练仅使用从公开网络获取的视频中抽取的灰度切片，且全部监督信号由 Easy4K 自研的 SFDP 四阶判重判决器（像素差 / dHash / QR 码 / Farnebäck 光流）自动生成，不含人工标注。

视频著作权归原作者所有。所用素材清单见 `training-materials.txt`（含标题、BV 号、UP 主、原始链接），仅用于说明数据来源，不构成对原作品的授权或再分发。

若权利人认为其作品不应被用于本研究，请提交 issue，我们将在 72 小时内从清单中移除，并在后续版本训练中排除该来源。

模型权重以 **CC BY-NC 4.0** 发布，仅限研究与非商业用途。模型输出为 0~1 的相似度分数，不具备生成、重建或复现原视频内容的能力。

## 模型详情

| 项目 | 说明 |
|---|---|
| 开发者 | Sudabaka（Easy4K） |
| 模型类型 | 孪生卷积网络（Siamese CNN），共享权重双分支 |
| 架构 | 深度可分离卷积编码器（6 级下采样、512 维嵌入）+ 差分/乘积融合头（1024 隐层） |
| 参数量 | 2602017 |
| 输入 | `frame_a`、`frame_b`：灰度 128×128，float32，范围 [0, 1]，NCHW |
| 输出 | `score`：形状 [batch, 1]，Sigmoid 后位于 [0, 1]，越接近 1 越可能重复 |
| 导出格式 | ONNX，opset 17，动态 batch |
| FP32 版本 | `model.onnx`，约 9.95 MB，对应 Easy4K「完美模式」 |
| FP16 版本 | `model_fp16.onnx`，约 5 MB（内部半精度、输入输出保持 float32），对应 Easy4K「性能模式」 |
| 运行后端 | onnxruntime：`DmlExecutionProvider`（DirectML）/ `CPUExecutionProvider` |
| 建议阈值 | 0.5；需要更低误判时可用 0.6~0.7 |
| 许可证 | CC BY-NC 4.0（仅限非商业用途） |

## 快速开始

### 1. 安装依赖

```bash
# Windows（NVIDIA / AMD / Intel 统一走 DirectML）
pip install onnxruntime-directml numpy opencv-python

# Linux / macOS（纯 CPU）
pip install onnxruntime numpy opencv-python
```

### 2. 选择模型文件

| 场景 | 文件 | 阈值建议 |
|---|---|---|
| 精度优先（对应 Easy4K 完美模式） | `model.onnx`（FP32，9.95 MB） | 0.5 |
| 速度优先（对应 Easy4K 性能模式） | `model_fp16.onnx`（FP16，5.01 MB） | 0.55~0.6 |

两份模型的输入输出签名完全一致，切换只需换文件名。FP16 版本内部半精度、**输入输出仍是 float32**，调用代码不用改。

### 3. 最小可运行示例

```python
import numpy as np
import onnxruntime as ort

providers = [p for p in ("DmlExecutionProvider", "CPUExecutionProvider")
             if p in ort.get_available_providers()]
sess = ort.InferenceSession("model.onnx", providers=providers)

# 同位置的两块灰度图，[0,1]，NCHW
a = np.random.rand(1, 1, 128, 128).astype(np.float32)
b = a.copy()

score = float(sess.run(["score"], {"frame_a": a, "frame_b": b})[0][0, 0])
print(score)              # 越接近 1 越可能是重复帧
print(score >= 0.5)       # 判重结果
```

### 4. 从视频帧取块（预处理规范）

预处理必须与训练时一致，否则分数不可信：

1. 解码后先转**灰度**
2. 在**原分辨率**下裁剪出 128×128 的块（不要先缩放整帧再裁）
3. 归一化到 `[0, 1]`，`float32`
4. 排列为 `NCHW`，单样本即 `(1, 1, 128, 128)`
5. 两个输入块必须是**同一坐标位置**

```python
import cv2
import numpy as np

def patch(gray, x, y, size=128):
    p = gray[y:y + size, x:x + size]
    if p.shape[:2] != (size, size):
        return None
    return (p.astype(np.float32) / 255.0)[None, None, :, :]

cap = cv2.VideoCapture("input.mp4")
ok, f1 = cap.read()
ok2, f2 = cap.read()
g1 = cv2.cvtColor(f1, cv2.COLOR_BGR2GRAY)
g2 = cv2.cvtColor(f2, cv2.COLOR_BGR2GRAY)

a, b = patch(g1, 320, 180), patch(g2, 320, 180)
if a is not None and b is not None:
    s = float(sess.run(["score"], {"frame_a": a, "frame_b": b})[0][0, 0])
    print("duplicate" if s >= 0.5 else "different", s)
```

### 5. 批量推理

`batch` 维度是动态的，一次送入多个帧对可显著提高吞吐（DirectML 下比逐对调用快 2~4 倍）：

```python
pairs_a = np.concatenate([a] * 32, axis=0)   # (32, 1, 128, 128)
pairs_b = np.concatenate([b] * 32, axis=0)
scores = sess.run(["score"], {"frame_a": pairs_a, "frame_b": pairs_b})[0].ravel()  # (32,)
```

### 6. 阈值调法

| 阈值 | 效果 |
|---|---|
| 0.5 | 默认，偏召回，适合“宁可多判不放过” |
| 0.6~0.7 | 偏精确，适合画面干净、误判代价高的场景 |

判断依据：若实际使用中**误删真正不同的帧**（漏检画面），就调高；若**放过重复帧**，就调低。

### 7. 常见问题

| 现象 | 原因与处理 |
|---|---|
| `DmlExecutionProvider` 不可用 | 未装 `onnxruntime-directml`，或系统缺少 DirectX 12；会自动回退 CPU，不影响结果 |
| 报输入维度错误 | 必须是 `(N, 1, 128, 128)`、`float32`；FP16 模型也接收 float32 输入 |
| 分数恒为 0 或恒为 1 | 检查是否忘了 `/255`、是否用了彩色三通道、是否两块取自不同位置 |
| 结果和 Easy4K 不一致 | 预处理路径不同（先缩放 vs 先裁剪）、阈值不同，或用了 FP16 版本 |

完整可运行示例见 `example_infer.py`。

## 使用场景

**适用**

- 视频补帧 / 超分前的重复帧检测，尤其是动画 1 拍 2、1 拍 3 的帧复用；
- 作为 Easy4K SFDP 的快速前置筛选，降低后续 QR 与光流计算的调用次数；
- 需要跨厂商 GPU 统一推理路径的桌面端场景（DirectML 单套算子覆盖三家）。

**不适用**

- 整帧级、跨场景的重复镜头检索（模型只判断 128×128 局部块）；
- 经过强压缩、去噪、缩放等处理后的一致性判定（训练分布未覆盖）；
- 需要逐像素级精确对齐的场合，本模型输出的是相似度分数而非位移场。

## 训练方法

### 教师与标签

教师为 Easy4K 生产环境的 SFDP 完美模式（四阶全开）。对每个样本同时记录判决阶段与中间指标：

- 教师判重且光流位移为 0：软标签 1.0；
- 教师判重但存在可测位移：软标签 `clip(1 - flow / 2.0, 0, 1)`；
- 教师在光流阶段判否：同样按上式映射，光流 0.1~0.4 的模糊区丢弃；
- 教师在前三阶判否：明确负样本，软标签 0；
- 第一阶段判为相同、被光流救回的样本标记为 hard，损失权重 2.0。

### 数据

| 项目 | 数值 |
|---|---|
| 素材来源 | Wikimedia Commons（CC BY / CC BY-SA / CC0）；用户提供的术力口 / 真人 MV；Bilibili 公开 MV（仅训练使用，不随模型分发） |
| 片段构造 | 固定窗口连续帧，按 1拍1 / 1拍2 / 1拍3 / 混合节奏展开，本版本使用其中 5212 个片段 |
| 样本总数 | 550158（训练 472011 / 验证 78147） |
| 正负比 | 1 : 1.00 |
| 难例 | 9972 个（光流救回，权重 2.0） |
| 划分方式 | 按来源视频隔离，验证集素材不参与训练 |

完整素材清单（462 支视频 / 7852 个切片，含标题、作者、许可证与来源链接）单独发布于
[Sudabaka/SFDP-Siamese-NET-AI-Dataset](https://huggingface.co/datasets/Sudabaka/SFDP-Siamese-NET-AI-Dataset)；
本版本模型基于该数据集的 5212 片段快照训练。

### 训练配置

| 项目 | 值 |
|---|---|
| 目标函数 | 软标签 MSE 回归（非二分类交叉熵） |
| 优化器 | AdamW，weight decay 1e-4 |
| 学习率 | 2e-3，2 epoch 线性 warmup + 余弦退火 |
| Batch size | 256 |
| Epoch | 8 |
| 硬件 | NVIDIA P106-100（6 GB），CUDA 12.4，PyTorch 2.6.0 |

## 完整实现代码

模型训练、导出与数据来源记录的全部实现代码随仓库提供，位于 [`code/`](./code)：

| 文件 | 作用 |
|---|---|
| `code/siai_all.py` | 一体化流水线：视频切片（`tiles`）、教师打标（`teacher`）、软标签生成（`label`）、训练（`train`）、评测（`eval`）、ONNX 导出（`pack`） |
| `code/teacher_run.py` | 教师打标的轻量入口：只做目录扫描与 `SfdpTeacher` 调用，不加载 torch / cv2，避免与训练同时运行时内存不足 |
| `code/append_sources.py` | 训练素材清单的生成与去重追加，产出可溯源的 `training-materials.txt` |
| `code/algorithm/FrameDedupService.cs` | 四阶判决器教师本体：像素差粗筛 → dHash 细筛 → QR 分解精判 → Farnebäck 光流终判，含全部阈值与标定注释 |
| `code/algorithm/FarnebackFlow.cs` | 第四阶使用的稠密光流实现（GPU/CPU 混合路径） |
| `code/algorithm/Easy4K.SFDP.csproj` | 上述两个源文件的编译工程（.NET 10，Windows.Graphics.Imaging） |

### 教师算法（四阶判决器）

| 阶段 | 方法 | 作用 |
|---|---|---|
| 1 | 像素绝对差均值（MAD） | 粗筛，明显不同的帧对直接放过 |
| 2 | dHash 汉明距离 | 细筛，感知哈希不一致的帧对放过 |
| 3 | 8×8 分块 QR 分解，取 diag(R) 特征算 Minkowski 距离 | 精判，抑制亮度/压缩噪声造成的误判 |
| 4 | Farnebäck 稠密光流，统计均值与方差 | 终判，区分“真重复帧”与“相似但不相同”的运动画面 |

阈值取论文建议值并对 1080p 动画 MV 重新标定（`τ_flow=0.5`、`τ_var=0.1`、QR 阈值 1.0 灰阶），标定过程与分布数据写在源码注释里。

### ONNX 模型

| 文件 | 精度 | 体积 | 建议用途 |
|---|---|---|---|
| `model.onnx` | FP32 | 9.95 MB | 完美模式（精度优先） |
| `model_fp16.onnx` | FP16（IO 保持 float32） | 5.01 MB | 性能模式（速度优先，DirectML 下约快 1.5~2 倍） |

两份模型输入输出签名完全一致：`frame_a`、`frame_b` → `score`，调用方按模式切换文件名即可。

主要命令：

```bash
# 1) 从视频抽取灰度切片
python code/siai_all.py tiles --raw <视频目录> --segments 4 --out <切片目录>

# 2) 用四阶判决器教师生成逐片段标签 CSV
python code/siai_all.py teacher --tiles <切片目录> --labels <标签目录>

# 3) 生成软标签训练集与验证集
python code/siai_all.py label

# 4) 训练（结束后自动导出 FP32 与 FP16 两份 ONNX）
python code/siai_all.py train --out <输出目录> --epochs 1 --workers 8 --lr 1e-4

# 5) 评测 / 打包
python code/siai_all.py eval  --out <输出目录>
python code/siai_all.py pack  --onnx <输出目录>/easy4k_sfdp_siamese_fp32.onnx --out <发布目录>
```

依赖见 `requirements.txt`（PyTorch、OpenCV、onnx、onnxruntime、onnxconverter-common）。教师端二进制 `SfdpTeacher` 属于 Easy4K 应用程序的一部分，不随本仓库分发。

## 评测结果

### 与教师的一致性（验证集 78147 样本，按视频隔离）

| 指标 | 数值 |
|---|---|
| 软标签 MAE | 0.02788 |
| 判决准确率（阈值 0.5） | 97.56% |
| 精确率 / 召回率 | 97.42% / 98.11% |
| 正样本 MAE | 0.01063 |
| 负样本 MAE | 0.04085 |

### 推理性能

| 硬件 | 后端 | 批量 | 每对耗时 |
|---|---|---|---|
| AMD Radeon RX 580 | DirectML 1.24.4（Windows 11） | 64 | 0.56 ms |
| NVIDIA P106-100 | CPU 执行器 | 32 | 0.317 ms |

### 数值一致性

ONNX 与 PyTorch 输出最大绝对误差不超过 1.2e-7，可直接替换训练端推理。

## 局限与风险

- **题材覆盖**：训练素材以实拍街景、开源动画与音乐视频为主，番剧 1 拍 2 / 1 拍 3 的真实样本
  仍有限，建议在目标内容上先做小规模验证再上线。
- **局部判定**：模型只看 128×128 灰度块，不理解整帧语义；涉及大面积平移、缩放、转场的
  判定仍需上层聚合逻辑。
- **压缩与后处理**：强压缩块效应、降噪、锐化会改变像素分布，可能影响分数校准。
- **系统要求**：DirectML 需要 Windows 10 1903+ 或 Windows 11；更旧的系统需回退 CPU。
- **蒸馏上限**：模型逼近教师而非超越教师，教师判错的样本同样会被学习。
- **许可证**：CC BY-NC 4.0 禁止商业性使用；商业发行需另行授权。

## 引用

```bibtex
@misc{easy4k_sfdp_siamese_net_ai,
  author       = {Sudabaka},
  title        = {Easy4K SFDP - Siamese NET AI},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/Sudabaka/SFDP-Siamese-NET-AI}},
  note         = {Frame-duplicate similarity model distilled from the Easy4K SFDP judge}
}
```

## 致谢

- CC 训练素材来自 [Wikimedia Commons](https://commons.wikimedia.org/)，遵循各自 CC BY /
  CC BY-SA / CC0 许可，完整作者与许可证信息见 `sources.json`；
- 教师模型与推理实现来自 Easy4K SFDP（帧去重四阶判决器）；
- 跨厂商推理基于 ONNX Runtime DirectML。

## 许可证

模型权重与示例代码采用
[Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/)
（CC BY-NC 4.0）许可：允许复制、修改与非商业性再分发，须保留署名并注明修改。

	---
	license: cc-by-nc-4.0
	library_name: onnxruntime
	tags:
	- video
	- frame-deduplication
	- siamese-network
	- knowledge-distillation
	- onnx
	- directml
	datasets:
	- wikimedia-commons
	- Sudabaka/SFDP-Siamese-NET-AI-Dataset
	---

	# Easy4K SFDP · Siamese NET AI

	面向视频帧去重的轻量孪生网络。输入相邻两帧的同一位置灰度块，输出 0~1 的连续相似度，
	用于识别 1 拍 2 / 1 拍 3 等重复帧场景。模型通过知识蒸馏复现 Easy4K SFDP 四阶判决器
	（像素差、dHash、QR 分解、Farnebäck 光流）的判定行为，可在 NVIDIA / AMD / Intel 显卡上
	通过 DirectML 统一推理。

	## 训练数据声明

	本模型在训练过程中未分发、未再发布任何原始视频、音频或视频帧。训练仅使用从公开网络获取的视频中抽取的灰度切片，且全部监督信号由 Easy4K 自研的 SFDP 四阶判重判决器（像素差 / dHash / QR 码 / Farnebäck 光流）自动生成，不含人工标注。

	视频著作权归原作者所有。所用素材清单见 `training-materials.txt`（含标题、BV 号、UP 主、原始链接），仅用于说明数据来源，不构成对原作品的授权或再分发。

	若权利人认为其作品不应被用于本研究，请提交 issue，我们将在 72 小时内从清单中移除，并在后续版本训练中排除该来源。

	模型权重以 CC BY-NC 4.0 发布，仅限研究与非商业用途。模型输出为 0~1 的相似度分数，不具备生成、重建或复现原视频内容的能力。

	## 模型详情

	\| 项目 \| 说明 \|
	\|---\|---\|
	\| 开发者 \| Sudabaka（Easy4K） \|
	\| 模型类型 \| 孪生卷积网络（Siamese CNN），共享权重双分支 \|
	\| 架构 \| 深度可分离卷积编码器（6 级下采样、512 维嵌入）+ 差分/乘积融合头（1024 隐层） \|
	\| 参数量 \| 2602017 \|
	\| 输入 \| `frame_a`、`frame_b`：灰度 128×128，float32，范围 [0, 1]，NCHW \|
	\| 输出 \| `score`：形状 [batch, 1]，Sigmoid 后位于 [0, 1]，越接近 1 越可能重复 \|
	\| 导出格式 \| ONNX，opset 17，动态 batch \|
	\| FP32 版本 \| `model.onnx`，约 9.95 MB，对应 Easy4K「完美模式」 \|
	\| FP16 版本 \| `model_fp16.onnx`，约 5 MB（内部半精度、输入输出保持 float32），对应 Easy4K「性能模式」 \|
	\| 运行后端 \| onnxruntime：`DmlExecutionProvider`（DirectML）/ `CPUExecutionProvider` \|
	\| 建议阈值 \| 0.5；需要更低误判时可用 0.6~0.7 \|
	\| 许可证 \| CC BY-NC 4.0（仅限非商业用途） \|

	## 快速开始

	### 1. 安装依赖

	```bash
	# Windows（NVIDIA / AMD / Intel 统一走 DirectML）
	pip install onnxruntime-directml numpy opencv-python

	# Linux / macOS（纯 CPU）
	pip install onnxruntime numpy opencv-python
	```

	### 2. 选择模型文件

	\| 场景 \| 文件 \| 阈值建议 \|
	\|---\|---\|---\|
	\| 精度优先（对应 Easy4K 完美模式） \| `model.onnx`（FP32，9.95 MB） \| 0.5 \|
	\| 速度优先（对应 Easy4K 性能模式） \| `model_fp16.onnx`（FP16，5.01 MB） \| 0.55~0.6 \|

	两份模型的输入输出签名完全一致，切换只需换文件名。FP16 版本内部半精度、输入输出仍是 float32，调用代码不用改。

	### 3. 最小可运行示例

	```python
	import numpy as np
	import onnxruntime as ort

	providers = [p for p in ("DmlExecutionProvider", "CPUExecutionProvider")
	if p in ort.get_available_providers()]
	sess = ort.InferenceSession("model.onnx", providers=providers)

	# 同位置的两块灰度图，[0,1]，NCHW
	a = np.random.rand(1, 1, 128, 128).astype(np.float32)
	b = a.copy()

	score = float(sess.run(["score"], {"frame_a": a, "frame_b": b})[0][0, 0])
	print(score) # 越接近 1 越可能是重复帧
	print(score >= 0.5) # 判重结果
	```

	### 4. 从视频帧取块（预处理规范）

	预处理必须与训练时一致，否则分数不可信：

	1. 解码后先转灰度
	2. 在原分辨率下裁剪出 128×128 的块（不要先缩放整帧再裁）
	3. 归一化到 `[0, 1]`，`float32`
	4. 排列为 `NCHW`，单样本即 `(1, 1, 128, 128)`
	5. 两个输入块必须是同一坐标位置

	```python
	import cv2
	import numpy as np

	def patch(gray, x, y, size=128):
	p = gray[y:y + size, x:x + size]
	if p.shape[:2] != (size, size):
	return None
	return (p.astype(np.float32) / 255.0)[None, None, :, :]

	cap = cv2.VideoCapture("input.mp4")
	ok, f1 = cap.read()
	ok2, f2 = cap.read()
	g1 = cv2.cvtColor(f1, cv2.COLOR_BGR2GRAY)
	g2 = cv2.cvtColor(f2, cv2.COLOR_BGR2GRAY)

	a, b = patch(g1, 320, 180), patch(g2, 320, 180)
	if a is not None and b is not None:
	s = float(sess.run(["score"], {"frame_a": a, "frame_b": b})[0][0, 0])
	print("duplicate" if s >= 0.5 else "different", s)
	```

	### 5. 批量推理

	`batch` 维度是动态的，一次送入多个帧对可显著提高吞吐（DirectML 下比逐对调用快 2~4 倍）：

	```python
	pairs_a = np.concatenate([a] * 32, axis=0) # (32, 1, 128, 128)
	pairs_b = np.concatenate([b] * 32, axis=0)
	scores = sess.run(["score"], {"frame_a": pairs_a, "frame_b": pairs_b})[0].ravel() # (32,)
	```

	### 6. 阈值调法

	\| 阈值 \| 效果 \|
	\|---\|---\|
	\| 0.5 \| 默认，偏召回，适合“宁可多判不放过” \|
	\| 0.6~0.7 \| 偏精确，适合画面干净、误判代价高的场景 \|

	判断依据：若实际使用中误删真正不同的帧（漏检画面），就调高；若放过重复帧，就调低。

	### 7. 常见问题

	\| 现象 \| 原因与处理 \|
	\|---\|---\|
	\| `DmlExecutionProvider` 不可用 \| 未装 `onnxruntime-directml`，或系统缺少 DirectX 12；会自动回退 CPU，不影响结果 \|
	\| 报输入维度错误 \| 必须是 `(N, 1, 128, 128)`、`float32`；FP16 模型也接收 float32 输入 \|
	\| 分数恒为 0 或恒为 1 \| 检查是否忘了 `/255`、是否用了彩色三通道、是否两块取自不同位置 \|
	\| 结果和 Easy4K 不一致 \| 预处理路径不同（先缩放 vs 先裁剪）、阈值不同，或用了 FP16 版本 \|

	完整可运行示例见 `example_infer.py`。

	## 使用场景

	适用

	- 视频补帧 / 超分前的重复帧检测，尤其是动画 1 拍 2、1 拍 3 的帧复用；
	- 作为 Easy4K SFDP 的快速前置筛选，降低后续 QR 与光流计算的调用次数；
	- 需要跨厂商 GPU 统一推理路径的桌面端场景（DirectML 单套算子覆盖三家）。

	不适用

	- 整帧级、跨场景的重复镜头检索（模型只判断 128×128 局部块）；
	- 经过强压缩、去噪、缩放等处理后的一致性判定（训练分布未覆盖）；
	- 需要逐像素级精确对齐的场合，本模型输出的是相似度分数而非位移场。

	## 训练方法

	### 教师与标签

	教师为 Easy4K 生产环境的 SFDP 完美模式（四阶全开）。对每个样本同时记录判决阶段与中间指标：

	- 教师判重且光流位移为 0：软标签 1.0；
	- 教师判重但存在可测位移：软标签 `clip(1 - flow / 2.0, 0, 1)`；
	- 教师在光流阶段判否：同样按上式映射，光流 0.1~0.4 的模糊区丢弃；
	- 教师在前三阶判否：明确负样本，软标签 0；
	- 第一阶段判为相同、被光流救回的样本标记为 hard，损失权重 2.0。

	### 数据

	\| 项目 \| 数值 \|
	\|---\|---\|
	\| 素材来源 \| Wikimedia Commons（CC BY / CC BY-SA / CC0）；用户提供的术力口 / 真人 MV；Bilibili 公开 MV（仅训练使用，不随模型分发） \|
	\| 片段构造 \| 固定窗口连续帧，按 1拍1 / 1拍2 / 1拍3 / 混合节奏展开，本版本使用其中 5212 个片段 \|
	\| 样本总数 \| 550158（训练 472011 / 验证 78147） \|
	\| 正负比 \| 1 : 1.00 \|
	\| 难例 \| 9972 个（光流救回，权重 2.0） \|
	\| 划分方式 \| 按来源视频隔离，验证集素材不参与训练 \|

	完整素材清单（462 支视频 / 7852 个切片，含标题、作者、许可证与来源链接）单独发布于
	[Sudabaka/SFDP-Siamese-NET-AI-Dataset](https://huggingface.co/datasets/Sudabaka/SFDP-Siamese-NET-AI-Dataset)；
	本版本模型基于该数据集的 5212 片段快照训练。

	### 训练配置

	\| 项目 \| 值 \|
	\|---\|---\|
	\| 目标函数 \| 软标签 MSE 回归（非二分类交叉熵） \|
	\| 优化器 \| AdamW，weight decay 1e-4 \|
	\| 学习率 \| 2e-3，2 epoch 线性 warmup + 余弦退火 \|
	\| Batch size \| 256 \|
	\| Epoch \| 8 \|
	\| 硬件 \| NVIDIA P106-100（6 GB），CUDA 12.4，PyTorch 2.6.0 \|

	## 完整实现代码

	模型训练、导出与数据来源记录的全部实现代码随仓库提供，位于 [`code/`](./code)：

	\| 文件 \| 作用 \|
	\|---\|---\|
	\| `code/siai_all.py` \| 一体化流水线：视频切片（`tiles`）、教师打标（`teacher`）、软标签生成（`label`）、训练（`train`）、评测（`eval`）、ONNX 导出（`pack`） \|
	\| `code/teacher_run.py` \| 教师打标的轻量入口：只做目录扫描与 `SfdpTeacher` 调用，不加载 torch / cv2，避免与训练同时运行时内存不足 \|
	\| `code/append_sources.py` \| 训练素材清单的生成与去重追加，产出可溯源的 `training-materials.txt` \|
	\| `code/algorithm/FrameDedupService.cs` \| 四阶判决器教师本体：像素差粗筛 → dHash 细筛 → QR 分解精判 → Farnebäck 光流终判，含全部阈值与标定注释 \|
	\| `code/algorithm/FarnebackFlow.cs` \| 第四阶使用的稠密光流实现（GPU/CPU 混合路径） \|
	\| `code/algorithm/Easy4K.SFDP.csproj` \| 上述两个源文件的编译工程（.NET 10，Windows.Graphics.Imaging） \|

	### 教师算法（四阶判决器）

	\| 阶段 \| 方法 \| 作用 \|
	\|---\|---\|---\|
	\| 1 \| 像素绝对差均值（MAD） \| 粗筛，明显不同的帧对直接放过 \|
	\| 2 \| dHash 汉明距离 \| 细筛，感知哈希不一致的帧对放过 \|
	\| 3 \| 8×8 分块 QR 分解，取 diag(R) 特征算 Minkowski 距离 \| 精判，抑制亮度/压缩噪声造成的误判 \|
	\| 4 \| Farnebäck 稠密光流，统计均值与方差 \| 终判，区分“真重复帧”与“相似但不相同”的运动画面 \|

	阈值取论文建议值并对 1080p 动画 MV 重新标定（`τ_flow=0.5`、`τ_var=0.1`、QR 阈值 1.0 灰阶），标定过程与分布数据写在源码注释里。

	### ONNX 模型

	\| 文件 \| 精度 \| 体积 \| 建议用途 \|
	\|---\|---\|---\|---\|
	\| `model.onnx` \| FP32 \| 9.95 MB \| 完美模式（精度优先） \|
	\| `model_fp16.onnx` \| FP16（IO 保持 float32） \| 5.01 MB \| 性能模式（速度优先，DirectML 下约快 1.5~2 倍） \|

	两份模型输入输出签名完全一致：`frame_a`、`frame_b` → `score`，调用方按模式切换文件名即可。

	主要命令：

	```bash
	# 1) 从视频抽取灰度切片
	python code/siai_all.py tiles --raw <视频目录> --segments 4 --out <切片目录>

	# 2) 用四阶判决器教师生成逐片段标签 CSV
	python code/siai_all.py teacher --tiles <切片目录> --labels <标签目录>

	# 3) 生成软标签训练集与验证集
	python code/siai_all.py label

	# 4) 训练（结束后自动导出 FP32 与 FP16 两份 ONNX）
	python code/siai_all.py train --out <输出目录> --epochs 1 --workers 8 --lr 1e-4

	# 5) 评测 / 打包
	python code/siai_all.py eval --out <输出目录>
	python code/siai_all.py pack --onnx <输出目录>/easy4k_sfdp_siamese_fp32.onnx --out <发布目录>
	```

	依赖见 `requirements.txt`（PyTorch、OpenCV、onnx、onnxruntime、onnxconverter-common）。教师端二进制 `SfdpTeacher` 属于 Easy4K 应用程序的一部分，不随本仓库分发。

	## 评测结果

	### 与教师的一致性（验证集 78147 样本，按视频隔离）

	\| 指标 \| 数值 \|
	\|---\|---\|
	\| 软标签 MAE \| 0.02788 \|
	\| 判决准确率（阈值 0.5） \| 97.56% \|
	\| 精确率 / 召回率 \| 97.42% / 98.11% \|
	\| 正样本 MAE \| 0.01063 \|
	\| 负样本 MAE \| 0.04085 \|

	### 推理性能

	\| 硬件 \| 后端 \| 批量 \| 每对耗时 \|
	\|---\|---\|---\|---\|
	\| AMD Radeon RX 580 \| DirectML 1.24.4（Windows 11） \| 64 \| 0.56 ms \|
	\| NVIDIA P106-100 \| CPU 执行器 \| 32 \| 0.317 ms \|

	### 数值一致性

	ONNX 与 PyTorch 输出最大绝对误差不超过 1.2e-7，可直接替换训练端推理。

	## 局限与风险

	- 题材覆盖：训练素材以实拍街景、开源动画与音乐视频为主，番剧 1 拍 2 / 1 拍 3 的真实样本
	仍有限，建议在目标内容上先做小规模验证再上线。
	- 局部判定：模型只看 128×128 灰度块，不理解整帧语义；涉及大面积平移、缩放、转场的
	判定仍需上层聚合逻辑。
	- 压缩与后处理：强压缩块效应、降噪、锐化会改变像素分布，可能影响分数校准。
	- 系统要求：DirectML 需要 Windows 10 1903+ 或 Windows 11；更旧的系统需回退 CPU。
	- 蒸馏上限：模型逼近教师而非超越教师，教师判错的样本同样会被学习。
	- 许可证：CC BY-NC 4.0 禁止商业性使用；商业发行需另行授权。

	## 引用

	```bibtex
	@misc{easy4k_sfdp_siamese_net_ai,
	author = {Sudabaka},
	title = {Easy4K SFDP - Siamese NET AI},
	year = {2026},
	howpublished = {\url{https://huggingface.co/Sudabaka/SFDP-Siamese-NET-AI}},
	note = {Frame-duplicate similarity model distilled from the Easy4K SFDP judge}
	}
	```

	## 致谢

	- CC 训练素材来自 [Wikimedia Commons](https://commons.wikimedia.org/)，遵循各自 CC BY /
	CC BY-SA / CC0 许可，完整作者与许可证信息见 `sources.json`；
	- 教师模型与推理实现来自 Easy4K SFDP（帧去重四阶判决器）；
	- 跨厂商推理基于 ONNX Runtime DirectML。

	## 许可证

	模型权重与示例代码采用
	[Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/)
	（CC BY-NC 4.0）许可：允许复制、修改与非商业性再分发，须保留署名并注明修改。