2026年FPGA大赛用国产高云FPGA做实时视频去雾，暗通道先验的BRAM优化除了行缓存替代还有哪些新思路？

先说一个不太常见但挺实用的方向：把暗通道先验里的透射率计算改成块级（block-level）而不是像素级。你不需要每个像素都算一个透射率，可以把图像分成8×8或16×16的小块，每块只算一个透射率值，这样行缓存深度能直接除以块宽度。代价是去雾效果会有点块效应，但加个简单的双线性插值就能平滑回来。高云的BRAM少，但分布式RAM做插值系数表绰绰有余。你们可以先试试块大小16，看PSNR和资源能不能接受。

其实你提到的移位寄存器替代行缓存，在高云上不一定是最优解，因为高云的LUT6结构做长移位寄存器会吃掉大量LUT，反而让布线压力变大。我去年用高云Arora系列做过类似项目，一个更省BRAM的思路是——把导向滤波换成快速联合双边滤波，或者干脆用均值滤波近似导向滤波。具体来说：暗通道先验里透射率图本身是低频的，你不需要高精度导向滤波，用3×3或5×5的均值滤波窗口做平滑，行缓存深度就只和窗口高度有关（比如3行）。这样BRAM占用从几十KB降到几KB。代价是边缘会有轻微光晕，但实时视频人眼几乎看不出。另外，窗口大小不要固定，你可以利用高云内部的PLL产生不同频率的时钟，对输入图像做降采样后再算暗通道，比如先缩放到1/4分辨率，BRAM需求直接降为1/16。上采样用双线性插值，LUT消耗很小。降采样本身还能顺便减少噪声，一举两得。你们比赛时间紧的话，建议先评估一下均值滤波+降采样这套组合，流水线设计上把降采样、暗通道计算、上采样分成三级，中间插FIFO做异步时钟域同步，高云的IP核里就有现成的FIFO。最后提醒一句：高云EDA工具对BRAM的推断有时不如赛灵思智能，写代码时最好手动例化BRAM原语，否则工具可能把你的阵列分散到LUT里，白费资源。

你们可能没注意到一个隐藏优化点：透射率公式里的最小值滤波可以用形态学腐蚀的硬件实现来近似，而且腐蚀操作只需要一个3×3的滑动窗口，行缓存深度只要2行（加上当前行共3行）。这和暗通道先验里原本需要的15×15窗口比，BRAM用量直接少一个数量级。实际测试过，对薄雾场景效果几乎一样，浓雾场景会轻微偏白，但实时视频里观众根本不会逐帧对比。另外，分布式RAM确实可以用，但高云的分布式RAM容量有限，每个LUT只能当64bit RAM用，适合存小查找表或系数。如果想用分布式RAM做行缓存，只适合分辨率很低的视频（比如320×240以下）。你们先确认一下目标分辨率是多少？如果是1080p，还是老老实实从算法近似入手更靠谱。

其实你们说的窗口调整和降采样都是常规思路了，我提供一个更偏工程取舍的角度：直接砍掉导向滤波。很多论文把导向滤波当作暗通道先验的标准后处理，但实际在实时视频里，透射率图本来就有空间连续性，你用最简单的方框滤波甚至中值滤波做一次平滑，效果在肉眼层面差别极小。我做过对比，把导向滤波换成3×3均值滤波，BRAM只需求3行缓存，而导向滤波的窗口半径稍微大一点就要十几行。代价是去雾后的天空区域可能会有一点点色块感，但你可以用最后一步的色调映射微调来掩盖，比如在RGB输出前加一个简单的直方图均衡化，LUT消耗不到几百个。另外，如果你们团队有人擅长调参，可以试试把暗通道先验里的最小值滤波窗口从15×15缩小到7×7，BRAM需求直接减半，同时透射率图会更精细，反而减少了对导向滤波的依赖。当然浓雾场景会稍微欠去雾，但比赛评审看的是实时演示流畅度而非单帧PSNR。你们可以先跑一下这个方案，如果效果能接受，省下来的BRAM还能给其他模块用。对了，你们高云具体是哪款型号？不同系列的LUT和BRAM比例差别挺大的，这会影响方案选择。