小波

小波（Wavelet）已成为现代视觉特效（VFX）流程中图像分解和重构的标准。与将图像分解为全局频率的经典傅里叶变换不同，小波处理是局部的——它同时分析频率和空间位置。这就是关键区别：你不仅知道图像中有噪点，还能精确知道噪点在哪里。

在实际应用中，这意味着在降噪和图像处理方面具有巨大优势。你不是通过过滤整个图像来破坏细节，而是使用离散小波变换（DWT）将图像分解成多个层级——一个层级处理粗糙结构，另一个层级处理精细细节。噪点通常存在于高频分量中。你可以有针对性地减弱这些分量，同时保留大的形状和边缘。这比经典的“高斯模糊”方法更精确，产生的伪影也更少。当你需要清理过曝的素材或有颗粒感的追踪元素时，小波降噪比生硬的模糊滤镜效果好得多。

其数学上的优雅之处在于，小波是自适应基函数——有Daubechies小波、Morlet小波、Symlets小波等等。每个家族都有不同的特性：有些能更锐利地保留边缘，有些则更平滑。在合成（Compositing）中，你会经常尝试不同的方法：用于去除颗粒（Grain-Removal）的小波家族可能与用于图像稳定或准备追踪素材的小波家族不同。现代软件如Nuke直接集成了基于小波的工具（例如降噪节点）——这并非偶然，而是因为小波是数字图像处理的正确数学语言。

一个实际的建议：小波分解计算量大，但可扩展。你可以控制分解的深度——层级越多，分析的精细度越高，渲染时间也越长。对于4K素材，通常3-4个分解层级就足够了。而且很重要的一点：小波降噪需要阈值（Threshold）和衰减（Decay）等参数——盲目应用会导致图像看起来像塑料。关键在于去除足够多的噪点使其不显眼，同时又不牺牲自然的胶片纹理。