推荐 m171
v12 原生像素块分类器，6 块 clear 概率取均值，再在当前批次内转成分位排名。均值要求鸟体多处都提供一致清晰证据。
Executive result
结果达标，但结论范围要说准确
“0 张失焦”来自当前 1,838 张校准语料的穷举式高分段验收；它证明当前排序已达到本轮目标，不等于对未来日期、不同 ISO 或不同鸟种已经零失误。
不再推荐 Reblur 主排序
Reblur 对添加噪声几乎总是升分；曝光拉伸与边界只会放大问题。它可保留作诊断热力图，不能继续担任最终清晰度真值。
验收标准
必须看到眼、喙、羽尖、初级飞羽分离或连续方向羽纹。噪点、SAM 黄边、纯轮廓和大块明暗交界都不算清晰证据。
本轮验收：m171 的 P80–P100 共 368 张，31 张大图联系表全部审查，确认失焦 0 张；累计 125 张历史困难失焦中，最高仅到 P51.7（均值聚合），全部低于 P80。
Why gradients failed
DSC07978 高分的根因不是“掩膜不准”，而是信号定义错了
SAM 能移除大部分背景，却不能判断掩膜内的高频究竟是羽毛还是传感器噪声。对暗鸟做全动态范围拉伸后，噪声正好被强化成 Reblur 最喜欢的梯度。
1 · 极值曝光
min–max 会让单个坏点决定增益，暗部噪声与真实纹理一起放大。
2 · 梯度无语义
Tenengrad、Laplacian、Reblur 只看变化强度，不知道变化来自羽毛还是噪点。
3 · 硬掩膜边界
鸟/背景硬切割会制造人工高频；即使限制掩膜内部，边缘附近仍容易泄漏。
4 · 少数块劫持
Top2 或 Top10 聚合会让两处偶然噪声盖过其余鸟体的整体虚焦。
旧分数的典型形式： C = Σ(g_original − g_reblur) / Σg_original 问题：如果 g_original 主要由噪声组成，重模糊仍会显著降低它，C 依然被判为“清晰”。 SAM 只改变计算区域 M，并没有把 g_original 分解成“真实细节 + 噪声”。
Recommended pipeline
最终处理：稳健曝光 + 原生像素块 + 噪声平衡训练
核心变化不是继续堆手工公式，而是让模型直接学习“真实连续鸟体结构”和“噪声/虚焦”的区别，同时严格避免缩放整只鸟造成的清晰度伪影。
输入与曝光
对 SAM 鸟体内每个颜色通道 c： L_c = Q1%(I_c | M), H_c = Q99%(I_c | M) I′_c = clip((I_c − L_c)/(H_c − L_c), 0, 1) 不再让极端 0/65535 像素控制曝光。
原生块与最终分数
在 SAM 内部按去噪 Scharr 能量选 6 个分散中心 P_k = 原生 224×224 像素块（不缩放鸟体） s = (1/6) Σ pθ(clear | P_k) R = rank(s)/(N − 1) 最终选择：R ≥ 0.80。
边界去捷径
mask 以 σ=2 的软 alpha 叠到中性灰背景。训练时先模糊鸟体、再合成同一边界，模型不能靠 SAM 切边猜标签。
噪声去相关
亮度噪声、色噪、gamma、增益、白平衡扰动独立于 clear/not_clear 标签；“噪声大”不再是某一类别的捷径。
真实困难负样本
355 张人工清晰来源、125 张多轮审查确认失焦、180 张伪负样本；训练 12,396 块，验证 1,284 块。
为什么用 6 块均值：Top2 只需两块噪声误判即可抬高整图；最小值又会被遮挡、SAM 空洞或一块无纹理腹部拖垮。均值在当前数据上对“整体对焦成立”最稳定。
Active-learning trace
每一轮都审完 368 张，再把漏网者变成困难负样本
柱子是对应方法 P80–P100 中实际视觉确认的失败数。v5/v9 的反弹说明验证集准确率和历史样本回归检查都不能替代全量高分段审查。
重要防止自欺：v12 训练使用了同一批语料此前发现的 125 张困难负样本，因此最终 0/368 是“当前语料验收通过”，不是独立测试集泛化证明。报告仍保留每轮反弹与失败数，不把主动学习过程包装成一次性盲测。
All candidates
175 种方法、效果与评价
“已知失焦进入 P80”以所有轮次累计的 125 张真实失败为回归集；“最终重合”只表示选片集合与 m171 相似，不代表质量；噪声升分率越低越好。
| 方法 | 方法族 | 公式/变体 | 与最终 Top20 重合 | 与最终 Spearman | 已知失焦进入 P80 | 3.5%噪声升分率 | 该方法全审失败 | 评价 |
|---|---|---|---|---|---|---|---|---|
m01_sigma1PositiveRaw | A · Reblur 原始基线 | sigma=1, hard SAM mask, positive gradient loss / original gradient | 25.5% | -0.044 | 13 | 100.0% | — | 淘汰：至少 13 张已知失焦进入 P80–P100 |
m02_sigma1SignedRaw | A · Reblur 原始基线 | sigma=1, hard SAM mask, signed gradient loss / original gradient | 26.6% | -0.030 | 10 | 100.0% | — | 淘汰：至少 10 张已知失焦进入 P80–P100 |
m03_sigma1PositiveInterior | A · Reblur 原始基线 | sigma=1, adaptively eroded SAM mask, positive-only gradient loss | 5.4% | -0.214 | 6 | 100.0% | — | 淘汰：至少 6 张已知失焦进入 P80–P100 |
m04_multiscaleSignedUniform | A · Reblur 原始基线 | six-scale signed rate score, hard SAM mask, uniform weights | 25.5% | -0.016 | 10 | 100.0% | — | 淘汰：至少 10 张已知失焦进入 P80–P100 |
m05_multiscaleSignedDistance2 | A · Reblur 原始基线 | six-scale signed rate score, raw SAM mask, squared distance-to-boundary weights | 5.4% | -0.243 | 6 | 100.0% | — | 淘汰：至少 6 张已知失焦进入 P80–P100 |
m06_multiscalePositiveInterior | A · Reblur 原始基线 | six-scale positive-only rate score, adaptively eroded SAM mask | 6.8% | -0.189 | 7 | 100.0% | — | 淘汰：至少 7 张已知失焦进入 P80–P100 |
m07_tenengradRawMean | B · 梯度/拉普拉斯/尺度 | baseline · grad_raw_mean | 9.0% | -0.147 | 14 | 100.0% | — | 淘汰：至少 14 张已知失焦进入 P80–P100 |
m08_tenengradRawTop10 | B · 梯度/拉普拉斯/尺度 | baseline · grad_raw_top10 | 8.7% | -0.134 | 16 | 100.0% | — | 淘汰：至少 16 张已知失焦进入 P80–P100 |
m09_laplacianRawRms | B · 梯度/拉普拉斯/尺度 | baseline · lap_raw_rms | 9.5% | -0.149 | 14 | 100.0% | — | 淘汰：至少 14 张已知失焦进入 P80–P100 |
m10_laplacianG06Top10 | B · 梯度/拉普拉斯/尺度 | denoise · lap_g06_top10 | 9.5% | -0.142 | 17 | 100.0% | — | 淘汰：至少 17 张已知失焦进入 P80–P100 |
m11_laplacianG10Top10 | B · 梯度/拉普拉斯/尺度 | denoise · lap_g10_top10 | 8.7% | -0.149 | 15 | 100.0% | — | 淘汰：至少 15 张已知失焦进入 P80–P100 |
m12_median3Tenengrad | B · 梯度/拉普拉斯/尺度 | denoise · grad_median3_top10 | 10.6% | -0.101 | 19 | 87.5% | — | 淘汰：至少 19 张已知失焦进入 P80–P100 |
m13_median5Tenengrad | B · 梯度/拉普拉斯/尺度 | denoise · grad_median5_top10 | 21.5% | -0.030 | 20 | 26.6% | — | 淘汰：至少 20 张已知失焦进入 P80–P100 |
m14_bilateralTenengrad | B · 梯度/拉普拉斯/尺度 | denoise · grad_bilateral_top10 | 8.2% | -0.135 | 15 | 100.0% | — | 淘汰：至少 15 张已知失焦进入 P80–P100 |
m15_dogFineEnergy | B · 梯度/拉普拉斯/尺度 | multiscale · dogFine_rms | 9.5% | -0.152 | 13 | 100.0% | — | 淘汰：至少 13 张已知失焦进入 P80–P100 |
m16_dogFineMidRatio | B · 梯度/拉普拉斯/尺度 | multiscale · dogFineMidRatio | 9.5% | -0.101 | 19 | 100.0% | — | 淘汰：至少 19 张已知失焦进入 P80–P100 |
m17_gradientScaleRatio06to14 | B · 梯度/拉普拉斯/尺度 | multiscale · gradientScaleRatio06to14 | 0.5% | -0.328 | 6 | 100.0% | — | 淘汰：至少 6 张已知失焦进入 P80–P100 |
m18_gradientScaleRatio10to20 | B · 梯度/拉普拉斯/尺度 | multiscale · gradientScaleRatio10to20 | 0.0% | -0.328 | 6 | 100.0% | — | 淘汰：至少 6 张已知失焦进入 P80–P100 |
m19_lapGradientRatio06 | B · 梯度/拉普拉斯/尺度 | multiscale · lapGradientRatio06 | 4.1% | -0.280 | 9 | 100.0% | — | 淘汰：至少 9 张已知失焦进入 P80–P100 |
m20_lapGradientRatio10 | B · 梯度/拉普拉斯/尺度 | multiscale · lapGradientRatio10 | 1.4% | -0.327 | 8 | 100.0% | — | 淘汰：至少 8 张已知失焦进入 P80–P100 |
m21_reblurLossG06to14 | B · 梯度/拉普拉斯/尺度 | multiscale · reblurLossG06to14 | 0.5% | -0.328 | 6 | 100.0% | — | 淘汰：至少 6 张已知失焦进入 P80–P100 |
m22_reblurLossG10to20 | B · 梯度/拉普拉斯/尺度 | multiscale · reblurLossG10to20 | 0.0% | -0.328 | 6 | 100.0% | — | 淘汰：至少 6 张已知失焦进入 P80–P100 |
m23_noiseExcessG06K2 | C · 降噪/方向/颜色 | noise-aware · thr_g06_excess2 | 28.3% | +0.102 | 31 | 0.0% | — | 淘汰：至少 31 张已知失焦进入 P80–P100 |
m24_noiseExcessG06K3 | C · 降噪/方向/颜色 | noise-aware · thr_g06_excess3 | 26.1% | +0.160 | 28 | 0.0% | — | 淘汰：至少 28 张已知失焦进入 P80–P100 |
m25_noiseExcessG06K4 | C · 降噪/方向/颜色 | noise-aware · thr_g06_excess4 | 24.2% | +0.122 | 27 | 0.0% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m26_noiseExcessG10K3 | C · 降噪/方向/颜色 | noise-aware · thr_g10_excess3 | 26.1% | +0.185 | 29 | 0.0% | — | 淘汰：至少 29 张已知失焦进入 P80–P100 |
m27_noiseExcessMedian3K3 | C · 降噪/方向/颜色 | noise-aware · thr_median3_excess3 | 29.9% | +0.198 | 26 | 0.0% | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m28_noiseExcessBilateralK3 | C · 降噪/方向/颜色 | noise-aware · thr_bilateral_excess3 | 14.1% | -0.127 | 25 | 0.0% | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m29_coherentG06K2 | C · 降噪/方向/颜色 | coherence · thr_g06_coherent2 | 33.7% | +0.146 | 27 | 0.0% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m30_coherentG06K3 | C · 降噪/方向/颜色 | coherence · thr_g06_coherent3 | 31.2% | +0.207 | 27 | 0.0% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m31_coherentG06K4 | C · 降噪/方向/颜色 | coherence · thr_g06_coherent4 | 26.1% | +0.176 | 27 | 0.0% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m32_coherentG10K3 | C · 降噪/方向/颜色 | coherence · thr_g10_coherent3 | 27.4% | +0.213 | 25 | 0.0% | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m33_coherentDensityG06K3 | C · 降噪/方向/颜色 | coherence · thr_g06_coherentDensity3 | 31.5% | +0.291 | 27 | 0.0% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m34_textureCoverage | C · 降噪/方向/颜色 | coherence · textureCoverage | 33.4% | +0.236 | 26 | 0.0% | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m35_coreTextureCoverage | C · 降噪/方向/颜色 | coherence · coreTextureCoverage | 40.5% | +0.333 | 25 | 0.0% | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m36_directionDiversity | C · 降噪/方向/颜色 | coherence · directionEntropy | 26.4% | +0.139 | 17 | 6.2% | — | 淘汰：至少 17 张已知失焦进入 P80–P100 |
m37_colorEdgeAgreement | C · 降噪/方向/颜色 | color · colorEdgeAgreement | 15.8% | -0.044 | 16 | 100.0% | — | 淘汰：至少 16 张已知失焦进入 P80–P100 |
m38_colorEdgeAgreementTop10 | C · 降噪/方向/颜色 | color · colorEdgeAgreementTop10 | 22.6% | +0.005 | 18 | 35.9% | — | 淘汰：至少 18 张已知失焦进入 P80–P100 |
m39_colorLaplacianCorrelation | C · 降噪/方向/颜色 | color · colorLaplacianCorrelation | 30.7% | +0.183 | 23 | 0.0% | — | 淘汰：至少 23 张已知失焦进入 P80–P100 |
m40_lumaChromaRatio | C · 降噪/方向/颜色 | color · lumaChromaRatio | 12.5% | -0.184 | 16 | 0.0% | — | 淘汰：至少 16 张已知失焦进入 P80–P100 |
m41_rankMeanRobust | D · 排名融合/边缘形状 | mean(m24_noiseExcessG06K3, m30_coherentG06K3, m34_textureCoverage, m38_colorEdgeAgreementTop10, m17_gradientScaleRatio06to14) | 31.2% | +0.105 | 28 | 0.0% | — | 淘汰：至少 28 张已知失焦进入 P80–P100 |
m42_rankGeomeanRobust | D · 排名融合/边缘形状 | geomean(m24_noiseExcessG06K3, m30_coherentG06K3, m34_textureCoverage, m38_colorEdgeAgreementTop10, m17_gradientScaleRatio06to14) | 33.7% | +0.222 | 30 | 1.6% | — | 淘汰：至少 30 张已知失焦进入 P80–P100 |
m43_rankLowerQuartile | D · 排名融合/边缘形状 | lower_quartile(m24_noiseExcessG06K3, m30_coherentG06K3, m34_textureCoverage, m38_colorEdgeAgreementTop10, m17_gradientScaleRatio06to14, m39_colorLaplacianCorrelation) | 32.9% | +0.237 | 26 | 0.0% | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m44_rankMinGate | D · 排名融合/边缘形状 | minimum(m30_coherentG06K3, m34_textureCoverage, m38_colorEdgeAgreementTop10, m17_gradientScaleRatio06to14) | 16.3% | +0.127 | 33 | 46.9% | — | 淘汰：至少 33 张已知失焦进入 P80–P100 |
m45_rankNoiseVeto | D · 排名融合/边缘形状 | geomean(m30_coherentG06K3, m34_textureCoverage, m38_colorEdgeAgreementTop10, m39_colorLaplacianCorrelation, m40_lumaChromaRatio) | 37.8% | +0.206 | 23 | 0.0% | — | 淘汰：至少 23 张已知失焦进入 P80–P100 |
m46_rankDenoiseConsensus | D · 排名融合/边缘形状 | lower_quartile(m12_median3Tenengrad, m14_bilateralTenengrad, m26_noiseExcessG10K3, m32_coherentG10K3, m38_colorEdgeAgreementTop10) | 40.8% | +0.284 | 24 | 17.2% | — | 淘汰：至少 24 张已知失焦进入 P80–P100 |
m47_edgeConcentrationG06Median | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG06_concentrationMedian | 42.4% | +0.492 | 40 | 35.9% | — | 淘汰：至少 40 张已知失焦进入 P80–P100 |
m48_edgeConcentrationG06P25 | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG06_concentrationP25 | 42.7% | +0.502 | 35 | 37.5% | — | 淘汰：至少 35 张已知失焦进入 P80–P100 |
m49_edgeSlopeG06Median | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG06_slopeMedian | 18.2% | +0.338 | 45 | 7.8% | — | 淘汰：至少 45 张已知失焦进入 P80–P100 |
m50_edgeInverseSpreadG06 | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG06_inverseSpreadMedian | 54.1% | +0.551 | 26 | 39.1% | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m51_edgeOrientationFloorG06 | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG06_orientationFloor | 46.2% | +0.495 | 34 | 35.9% | — | 淘汰：至少 34 张已知失焦进入 P80–P100 |
m52_edgeConcentrationG10Median | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG10_concentrationMedian | 50.5% | +0.437 | 27 | 6.2% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m53_edgeConcentrationG10P25 | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG10_concentrationP25 | 50.8% | +0.442 | 27 | 10.9% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m54_edgeOrientationFloorG10 | D · 排名融合/边缘形状 | edge-spread · edgeSpreadG10_orientationFloor | 50.5% | +0.439 | 27 | 6.2% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m55_rankEdgeSpreadMean | D · 排名融合/边缘形状 | mean(m48_edgeConcentrationG06P25, m51_edgeOrientationFloorG06, m53_edgeConcentrationG10P25, m54_edgeOrientationFloorG10) | 51.6% | +0.536 | 25 | 18.8% | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m56_rankEdgeSpreadGate | D · 排名融合/边缘形状 | lower_quartile(m48_edgeConcentrationG06P25, m51_edgeOrientationFloorG06, m53_edgeConcentrationG10P25, m54_edgeOrientationFloorG10) | 55.2% | +0.483 | 22 | 10.9% | — | 淘汰：至少 22 张已知失焦进入 P80–P100 |
m57_rankNoiseEdgeHybrid | D · 排名融合/边缘形状 | lower_quartile(m24_noiseExcessG06K3, m30_coherentG06K3, m34_textureCoverage, m39_colorLaplacianCorrelation, m48_edgeConcentrationG06P25, m51_edgeOrientationFloorG06) | 40.2% | +0.364 | 30 | 0.0% | — | 淘汰：至少 30 张已知失焦进入 P80–P100 |
m58_rankNoiseEdgeGeomean | D · 排名融合/边缘形状 | geomean(m24_noiseExcessG06K3, m30_coherentG06K3, m34_textureCoverage, m38_colorEdgeAgreementTop10, m48_edgeConcentrationG06P25, m51_edgeOrientationFloorG06) | 40.5% | +0.361 | 28 | 0.0% | — | 淘汰：至少 28 张已知失焦进入 P80–P100 |
m59_rankStrictFocusGate | D · 排名融合/边缘形状 | minimum(m30_coherentG06K3, m34_textureCoverage, m39_colorLaplacianCorrelation, m48_edgeConcentrationG06P25, m51_edgeOrientationFloorG06, m53_edgeConcentrationG10P25) | 46.5% | +0.401 | 26 | 0.0% | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m60_rankStrictFocusLQ | D · 排名融合/边缘形状 | lower_quartile(m30_coherentG06K3, m34_textureCoverage, m39_colorLaplacianCorrelation, m48_edgeConcentrationG06P25, m51_edgeOrientationFloorG06, m53_edgeConcentrationG10P25) | 45.4% | +0.437 | 27 | 0.0% | — | 淘汰：至少 27 张已知失焦进入 P80–P100 |
m61_birdPresenceRank | E · 鸟语义/SAM 门控 | rank of geometric mean of full-crop and SAM-masked YOLO26s bird probability | 36.7% | +0.257 | 19 | — | — | 淘汰：至少 19 张已知失焦进入 P80–P100 |
m62_detectorConfidenceRank | E · 鸟语义/SAM 门控 | rank of original detector confidence | 7.6% | +0.030 | 22 | — | — | 淘汰：至少 22 张已知失焦进入 P80–P100 |
m63_samQualityRank | E · 鸟语义/SAM 门控 | rank of SAM predicted IoU × prior IoU × component integrity, with suspicious penalty | 41.0% | +0.440 | 20 | — | — | 淘汰：至少 20 张已知失焦进入 P80–P100 |
m64_geomeanClassicBird | E · 鸟语义/SAM 门控 | geomean(m42_rankGeomeanRobust, m46_rankDenoiseConsensus, m61_birdPresenceRank) | 45.9% | +0.358 | 38 | — | — | 淘汰：至少 38 张已知失焦进入 P80–P100 |
m65_geomeanNoiseEdgeBird | E · 鸟语义/SAM 门控 | geomean(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank) | 47.8% | +0.401 | 38 | — | — | 淘汰：至少 38 张已知失焦进入 P80–P100 |
m66_lowerQuartileFocusBird | E · 鸟语义/SAM 门控 | lower_quartile(m42_rankGeomeanRobust, m46_rankDenoiseConsensus, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank) | 44.6% | +0.373 | 29 | — | — | 淘汰：至少 29 张已知失焦进入 P80–P100 |
m67_minimumFocusBird | E · 鸟语义/SAM 门控 | minimum(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank) | 45.4% | +0.368 | 40 | — | — | 淘汰：至少 40 张已知失焦进入 P80–P100 |
m68_geomeanFocusBirdSam | E · 鸟语义/SAM 门控 | geomean(m42_rankGeomeanRobust, m46_rankDenoiseConsensus, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank) | 51.6% | +0.482 | 40 | — | — | 淘汰：至少 40 张已知失焦进入 P80–P100 |
m69_lowerQuartileFocusBirdSam | E · 鸟语义/SAM 门控 | lower_quartile(m42_rankGeomeanRobust, m46_rankDenoiseConsensus, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank) | 46.5% | +0.447 | 36 | — | — | 淘汰：至少 36 张已知失焦进入 P80–P100 |
m70_minimumFocusBirdSam | E · 鸟语义/SAM 门控 | minimum(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank) | 44.8% | +0.450 | 43 | — | — | 淘汰：至少 43 张已知失焦进入 P80–P100 |
m71_geomeanAllGates | E · 鸟语义/SAM 门控 | geomean(m42_rankGeomeanRobust, m46_rankDenoiseConsensus, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m62_detectorConfidenceRank, m63_samQualityRank) | 45.1% | +0.453 | 39 | — | — | 淘汰：至少 39 张已知失焦进入 P80–P100 |
m72_lowerQuartileAllGates | E · 鸟语义/SAM 门控 | lower_quartile(m42_rankGeomeanRobust, m46_rankDenoiseConsensus, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m62_detectorConfidenceRank, m63_samQualityRank) | 42.1% | +0.430 | 39 | — | — | 淘汰：至少 39 张已知失焦进入 P80–P100 |
m73_syntheticPatchMean | F · 原生块神经初版 | synthetic-only · scoreMean | 22.6% | -0.103 | 24 | — | — | 淘汰：至少 24 张已知失焦进入 P80–P100 |
m74_realPatchMean | F · 原生块神经初版 | real-extremes · scoreMean | 59.8% | +0.605 | 52 | — | — | 淘汰：至少 52 张已知失焦进入 P80–P100 |
m75_realPatchMedian | F · 原生块神经初版 | real-extremes · scoreMedian | 59.8% | +0.606 | 50 | — | — | 淘汰：至少 50 张已知失焦进入 P80–P100 |
m76_realPatchQ25 | F · 原生块神经初版 | real-extremes · scoreQ25 | 58.2% | +0.589 | 52 | — | — | 淘汰：至少 52 张已知失焦进入 P80–P100 |
m77_realPatchMinimum | F · 原生块神经初版 | real-extremes · scoreMin | 57.1% | +0.535 | 53 | — | — | 淘汰：至少 53 张已知失焦进入 P80–P100 |
m78_realPatchTop2 | F · 原生块神经初版 | real-extremes · scoreTop2Mean | 58.7% | +0.613 | 48 | — | — | 淘汰：至少 48 张已知失焦进入 P80–P100 |
m79_minimumM70PatchMean | F · 原生块神经初版 | minimum(m70_minimumFocusBirdSam, m74_realPatchMean) | 54.1% | +0.560 | 61 | — | 37/368 | 淘汰：该方法 P80–P100 全审发现 37/368 失焦 |
m80_minimumM70PatchQ25 | F · 原生块神经初版 | minimum(m70_minimumFocusBirdSam, m76_realPatchQ25) | 54.9% | +0.550 | 59 | — | — | 淘汰：至少 59 张已知失焦进入 P80–P100 |
m81_lqAllFocusPatchMean | F · 原生块神经初版 | lower_quartile(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank, m74_realPatchMean) | 51.1% | +0.529 | 42 | — | — | 淘汰：至少 42 张已知失焦进入 P80–P100 |
m82_minAllFocusPatchMean | F · 原生块神经初版 | minimum(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank, m74_realPatchMean) | 46.5% | +0.485 | 45 | — | — | 淘汰：至少 45 张已知失焦进入 P80–P100 |
m83_geoAllFocusPatchMean | F · 原生块神经初版 | geomean(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank, m74_realPatchMean) | 53.5% | +0.548 | 46 | — | — | 淘汰：至少 46 张已知失焦进入 P80–P100 |
m84_minNoiseEdgePatchMean | F · 原生块神经初版 | minimum(m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m74_realPatchMean, m61_birdPresenceRank, m63_samQualityRank) | 48.6% | +0.506 | 46 | — | — | 淘汰：至少 46 张已知失焦进入 P80–P100 |
m85_lqNoiseEdgePatchQ25 | F · 原生块神经初版 | lower_quartile(m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m76_realPatchQ25, m61_birdPresenceRank, m63_samQualityRank) | 54.3% | +0.559 | 42 | — | — | 淘汰：至少 42 张已知失焦进入 P80–P100 |
m86_minNoiseEdgePatchQ25 | F · 原生块神经初版 | minimum(m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m76_realPatchQ25, m61_birdPresenceRank, m63_samQualityRank) | 48.6% | +0.510 | 46 | — | — | 淘汰：至少 46 张已知失焦进入 P80–P100 |
m87_geoM70PatchMean | F · 原生块神经初版 | geomean(m70_minimumFocusBirdSam, m74_realPatchMean) | 56.2% | +0.574 | 55 | — | — | 淘汰：至少 55 张已知失焦进入 P80–P100 |
m88_lqM70PatchStats | F · 原生块神经初版 | lower_quartile(m70_minimumFocusBirdSam, m74_realPatchMean, m75_realPatchMedian, m76_realPatchQ25) | 59.0% | +0.612 | 55 | — | — | 淘汰：至少 55 张已知失焦进入 P80–P100 |
m89_minM70PatchStats | F · 原生块神经初版 | minimum(m70_minimumFocusBirdSam, m74_realPatchMean, m75_realPatchMedian, m76_realPatchQ25) | 53.8% | +0.575 | 59 | — | — | 淘汰：至少 59 张已知失焦进入 P80–P100 |
m90_geoFocusPatchBird | F · 原生块神经初版 | geomean(m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m74_realPatchMean, m61_birdPresenceRank) | 53.8% | +0.530 | 45 | — | — | 淘汰：至少 45 张已知失焦进入 P80–P100 |
m91_manualPatchMean | G · 人工校准 v3 | manual-calibration · scoreMean | 66.6% | +0.717 | 50 | — | — | 淘汰：至少 50 张已知失焦进入 P80–P100 |
m92_manualPatchMedian | G · 人工校准 v3 | manual-calibration · scoreMedian | 65.8% | +0.715 | 42 | — | — | 淘汰：至少 42 张已知失焦进入 P80–P100 |
m93_manualPatchQ25 | G · 人工校准 v3 | manual-calibration · scoreQ25 | 66.3% | +0.703 | 44 | — | — | 淘汰：至少 44 张已知失焦进入 P80–P100 |
m94_manualPatchMinimum | G · 人工校准 v3 | manual-calibration · scoreMin | 63.6% | +0.660 | 50 | — | — | 淘汰：至少 50 张已知失焦进入 P80–P100 |
m95_manualPatchTop2 | G · 人工校准 v3 | manual-calibration · scoreTop2Mean | 65.8% | +0.719 | 43 | — | — | 淘汰：至少 43 张已知失焦进入 P80–P100 |
m96_minimumM70ManualMean | G · 人工校准 v3 | minimum(m70_minimumFocusBirdSam, m91_manualPatchMean) | 58.2% | +0.623 | 33 | — | — | 淘汰：至少 33 张已知失焦进入 P80–P100 |
m97_minimumM79ManualMean | G · 人工校准 v3 | minimum(m79_minimumM70PatchMean, m91_manualPatchMean) | 61.7% | +0.663 | 37 | — | — | 淘汰：至少 37 张已知失焦进入 P80–P100 |
m98_geomeanM79ManualMean | G · 人工校准 v3 | geomean(m79_minimumM70PatchMean, m91_manualPatchMean) | 62.5% | +0.672 | 41 | — | — | 淘汰：至少 41 张已知失焦进入 P80–P100 |
m99_lqM70V2V3Mean | G · 人工校准 v3 | lower_quartile(m70_minimumFocusBirdSam, m74_realPatchMean, m91_manualPatchMean) | 61.7% | +0.657 | 40 | — | — | 淘汰：至少 40 张已知失焦进入 P80–P100 |
m100_minM70V2V3Mean | G · 人工校准 v3 | minimum(m70_minimumFocusBirdSam, m74_realPatchMean, m91_manualPatchMean) | 57.9% | +0.632 | 34 | — | — | 淘汰：至少 34 张已知失焦进入 P80–P100 |
m101_minM70ManualStats | G · 人工校准 v3 | minimum(m70_minimumFocusBirdSam, m91_manualPatchMean, m93_manualPatchQ25) | 58.2% | +0.631 | 34 | — | — | 淘汰：至少 34 张已知失焦进入 P80–P100 |
m102_lqM70ManualStats | G · 人工校准 v3 | lower_quartile(m70_minimumFocusBirdSam, m91_manualPatchMean, m92_manualPatchMedian, m93_manualPatchQ25) | 64.1% | +0.710 | 43 | — | — | 淘汰：至少 43 张已知失焦进入 P80–P100 |
m103_geoAllFocusManual | G · 人工校准 v3 | geomean(m42_rankGeomeanRobust, m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank, m91_manualPatchMean) | 56.8% | +0.579 | 35 | — | — | 淘汰：至少 35 张已知失焦进入 P80–P100 |
m104_minAllFocusManual | G · 人工校准 v3 | minimum(m58_rankNoiseEdgeGeomean, m60_rankStrictFocusLQ, m61_birdPresenceRank, m63_samQualityRank, m91_manualPatchMean) | 50.0% | +0.535 | 32 | — | — | 淘汰：至少 32 张已知失焦进入 P80–P100 |
m105_minM79ManualQ25 | G · 人工校准 v3 | minimum(m79_minimumM70PatchMean, m93_manualPatchQ25) | 62.0% | +0.651 | 37 | — | — | 淘汰：至少 37 张已知失焦进入 P80–P100 |
m106_w80ManualM70 | G · 人工校准 v3 | weighted_sum(m91_manualPatchMean×0.8, m70_minimumFocusBirdSam×0.2) | 64.7% | +0.707 | 43 | — | — | 淘汰：至少 43 张已知失焦进入 P80–P100 |
m107_w90ManualM70 | G · 人工校准 v3 | weighted_sum(m91_manualPatchMean×0.9, m70_minimumFocusBirdSam×0.1) | 66.8% | +0.715 | 44 | — | — | 淘汰：至少 44 张已知失焦进入 P80–P100 |
m108_g75ManualM70 | G · 人工校准 v3 | weighted_geomean(m91_manualPatchMean×0.75, m70_minimumFocusBirdSam×0.25) | 63.3% | +0.696 | 41 | — | — | 淘汰：至少 41 张已知失焦进入 P80–P100 |
m109_w75ManualBirdSam | G · 人工校准 v3 | weighted_sum(m91_manualPatchMean×0.75, m70_minimumFocusBirdSam×0.1, m61_birdPresenceRank×0.075, m63_samQualityRank×0.075) | 66.3% | +0.719 | 39 | — | — | 淘汰：至少 39 张已知失焦进入 P80–P100 |
m110_w85ManualBirdSam | G · 人工校准 v3 | weighted_sum(m91_manualPatchMean×0.85, m70_minimumFocusBirdSam×0.05, m61_birdPresenceRank×0.05, m63_samQualityRank×0.05) | 66.8% | +0.722 | 43 | — | — | 淘汰：至少 43 张已知失焦进入 P80–P100 |
m111_manualSoftM70 | G · 人工校准 v3 | manual_soft_m70(m91_manualPatchMean×1, m70_minimumFocusBirdSam×1) | 64.4% | +0.713 | 43 | — | — | 淘汰：至少 43 张已知失焦进入 P80–P100 |
m112_manualSoftBirdSam | G · 人工校准 v3 | manual_soft_bird_sam(m91_manualPatchMean×1, m61_birdPresenceRank×1, m63_samQualityRank×1) | 66.6% | +0.724 | 44 | — | — | 淘汰：至少 44 张已知失焦进入 P80–P100 |
m113_w80ManualBirdSam | G · 人工校准 v3 | weighted_sum(m91_manualPatchMean×0.8, m61_birdPresenceRank×0.1, m63_samQualityRank×0.1) | 67.1% | +0.726 | 41 | — | — | 淘汰：至少 41 张已知失焦进入 P80–P100 |
m114_w65ManualQ25M70 | G · 人工校准 v3 | weighted_sum(m91_manualPatchMean×0.65, m93_manualPatchQ25×0.15, m70_minimumFocusBirdSam×0.2) | 64.7% | +0.707 | 42 | — | — | 淘汰：至少 42 张已知失焦进入 P80–P100 |
m115_manualBottom20M70Gate | G · 人工校准 v3 | bottom20_gate(m91_manualPatchMean×1, m70_minimumFocusBirdSam×1) | 66.3% | +0.704 | 51 | — | 36/368 | 淘汰：该方法 P80–P100 全审发现 36/368 失焦 |
m116_manualV4Mean | H · 主动学习 v4 | manual-calibration · scoreMean | 77.7% | +0.796 | 26 | — | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m117_manualV4Median | H · 主动学习 v4 | manual-calibration · scoreMedian | 78.3% | +0.780 | 29 | — | 10/368 | 淘汰：该方法 P80–P100 全审发现 10/368 失焦 |
m118_manualV4Q25 | H · 主动学习 v4 | manual-calibration · scoreQ25 | 78.0% | +0.761 | 26 | — | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m119_manualV4Minimum | H · 主动学习 v4 | manual-calibration · scoreMin | 77.7% | +0.707 | 26 | — | — | 淘汰：至少 26 张已知失焦进入 P80–P100 |
m120_manualV4Top2 | H · 主动学习 v4 | manual-calibration · scoreTop2Mean | 76.1% | +0.797 | 23 | — | — | 淘汰：至少 23 张已知失焦进入 P80–P100 |
m121_manualV4Bottom20M70Gate | H · 主动学习 v4 | bottom20_gate_v4(m116_manualV4Mean×1, m70_minimumFocusBirdSam×1) | 77.7% | +0.778 | 25 | — | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m122_w90ManualV4M70 | H · 主动学习 v4 | weighted_sum(m116_manualV4Mean×0.9, m70_minimumFocusBirdSam×0.1) | 77.2% | +0.791 | 25 | — | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m123_manualV4SoftBirdSam | H · 主动学习 v4 | manual_v4_soft_bird_sam(m116_manualV4Mean×1, m61_birdPresenceRank×1, m63_samQualityRank×1) | 77.2% | +0.797 | 24 | — | — | 淘汰：至少 24 张已知失焦进入 P80–P100 |
m124_w70ManualV4Q25M70 | H · 主动学习 v4 | weighted_sum(m116_manualV4Mean×0.7, m118_manualV4Q25×0.2, m70_minimumFocusBirdSam×0.1) | 77.2% | +0.789 | 25 | — | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m125_g80ManualV4M70 | H · 主动学习 v4 | weighted_geomean(m116_manualV4Mean×0.8, m70_minimumFocusBirdSam×0.2) | 72.3% | +0.771 | 25 | — | — | 淘汰：至少 25 张已知失焦进入 P80–P100 |
m126_manualV5Mean | I · 主动学习 v5 | manual-calibration · scoreMean | 82.6% | +0.821 | 23 | — | — | 淘汰：至少 23 张已知失焦进入 P80–P100 |
m127_manualV5Median | I · 主动学习 v5 | manual-calibration · scoreMedian | 84.0% | +0.798 | 22 | — | 13/368 | 淘汰：该方法 P80–P100 全审发现 13/368 失焦 |
m128_manualV5Q25 | I · 主动学习 v5 | manual-calibration · scoreQ25 | 83.4% | +0.775 | 20 | — | — | 淘汰：至少 20 张已知失焦进入 P80–P100 |
m129_manualV5Minimum | I · 主动学习 v5 | manual-calibration · scoreMin | 82.3% | +0.706 | 24 | — | — | 淘汰：至少 24 张已知失焦进入 P80–P100 |
m130_manualV5Top2 | I · 主动学习 v5 | manual-calibration · scoreTop2Mean | 80.4% | +0.822 | 23 | — | — | 淘汰：至少 23 张已知失焦进入 P80–P100 |
m131_manualV5MedianBottom20M70Gate | I · 主动学习 v5 | bottom20_gate_v5_median(m127_manualV5Median×1, m70_minimumFocusBirdSam×1) | 82.1% | +0.790 | 22 | — | — | 淘汰：至少 22 张已知失焦进入 P80–P100 |
m132_manualV5MedianBottom30M70Gate | I · 主动学习 v5 | bottom30_gate_v5_median(m127_manualV5Median×1, m70_minimumFocusBirdSam×1) | 81.0% | +0.779 | 21 | — | — | 淘汰：至少 21 张已知失焦进入 P80–P100 |
m133_manualV5MedianSoftBirdSam | I · 主动学习 v5 | manual_v5_median_soft_bird_sam(m127_manualV5Median×1, m61_birdPresenceRank×1, m63_samQualityRank×1) | 81.5% | +0.799 | 20 | — | — | 淘汰：至少 20 张已知失焦进入 P80–P100 |
m134_w90ManualV5MedianM70 | I · 主动学习 v5 | weighted_sum(m127_manualV5Median×0.9, m70_minimumFocusBirdSam×0.1) | 81.5% | +0.797 | 20 | — | — | 淘汰：至少 20 张已知失焦进入 P80–P100 |
m135_minManualV5MedianM70 | I · 主动学习 v5 | minimum(m127_manualV5Median, m70_minimumFocusBirdSam) | 61.4% | +0.663 | 29 | — | — | 淘汰：至少 29 张已知失焦进入 P80–P100 |
m136_lqManualV5Stats | I · 主动学习 v5 | lower_quartile(m126_manualV5Mean, m127_manualV5Median, m128_manualV5Q25) | 83.2% | +0.804 | 21 | — | — | 淘汰：至少 21 张已知失焦进入 P80–P100 |
m137_manualV5Top2Bottom20M70Gate | I · 主动学习 v5 | bottom20_gate_v5_top2(m130_manualV5Top2×1, m70_minimumFocusBirdSam×1) | 79.1% | +0.808 | 24 | — | — | 淘汰：至少 24 张已知失焦进入 P80–P100 |
m138_manualV5MedianBottom20SemanticGate | I · 主动学习 v5 | bottom20_semantic_gate_v5(m127_manualV5Median×1, m61_birdPresenceRank×1, m63_samQualityRank×1) | 77.7% | +0.760 | 22 | — | — | 淘汰：至少 22 张已知失焦进入 P80–P100 |
m139_manualV5MedianDualBottom20Gate | I · 主动学习 v5 | dual_bottom20_gate_v5(m127_manualV5Median×1, m70_minimumFocusBirdSam×1, m61_birdPresenceRank×1, m63_samQualityRank×1) | 77.7% | +0.753 | 22 | — | — | 淘汰：至少 22 张已知失焦进入 P80–P100 |
m140_w85ManualV5MedianBirdSamM70 | I · 主动学习 v5 | weighted_sum(m127_manualV5Median×0.85, m70_minimumFocusBirdSam×0.05, m61_birdPresenceRank×0.05, m63_samQualityRank×0.05) | 81.2% | +0.799 | 19 | — | — | 淘汰：至少 19 张已知失焦进入 P80–P100 |
m141_manualV6Mean | J · 主动学习 v6 | manual-calibration · scoreMean | 86.7% | +0.823 | 14 | — | — | 淘汰：至少 14 张已知失焦进入 P80–P100 |
m142_manualV6Median | J · 主动学习 v6 | manual-calibration · scoreMedian | 88.3% | +0.794 | 11 | — | — | 淘汰：至少 11 张已知失焦进入 P80–P100 |
m143_manualV6Q25 | J · 主动学习 v6 | manual-calibration · scoreQ25 | 85.9% | +0.770 | 15 | — | — | 淘汰：至少 15 张已知失焦进入 P80–P100 |
m144_manualV6Minimum | J · 主动学习 v6 | manual-calibration · scoreMin | 85.1% | +0.714 | 16 | — | — | 淘汰：至少 16 张已知失焦进入 P80–P100 |
m145_manualV6Top2 | J · 主动学习 v6 | manual-calibration · scoreTop2Mean | 87.0% | +0.824 | 16 | — | — | 淘汰：至少 16 张已知失焦进入 P80–P100 |
m146_manualV7Mean | J · 主动学习 v7 | manual-calibration · scoreMean | 88.6% | +0.837 | 11 | — | — | 淘汰：至少 11 张已知失焦进入 P80–P100 |
m147_manualV7Median | J · 主动学习 v7 | manual-calibration · scoreMedian | 88.6% | +0.800 | 9 | — | — | 淘汰：至少 9 张已知失焦进入 P80–P100 |
m148_manualV7Q25 | J · 主动学习 v7 | manual-calibration · scoreQ25 | 88.6% | +0.771 | 11 | — | — | 淘汰：至少 11 张已知失焦进入 P80–P100 |
m149_manualV7Minimum | J · 主动学习 v7 | manual-calibration · scoreMin | 87.2% | +0.715 | 11 | — | — | 淘汰：至少 11 张已知失焦进入 P80–P100 |
m150_manualV7Top2 | J · 主动学习 v7 | manual-calibration · scoreTop2Mean | 88.6% | +0.839 | 13 | — | 5/368 | 淘汰：该方法 P80–P100 全审发现 5/368 失焦 |
m151_manualV8Mean | J · 主动学习 v8 | manual-calibration · scoreMean | 92.9% | +0.886 | 9 | — | — | 淘汰：至少 9 张已知失焦进入 P80–P100 |
m152_manualV8Median | J · 主动学习 v8 | manual-calibration · scoreMedian | 91.8% | +0.844 | 12 | — | — | 淘汰：至少 12 张已知失焦进入 P80–P100 |
m153_manualV8Q25 | J · 主动学习 v8 | manual-calibration · scoreQ25 | 91.8% | +0.813 | 12 | — | — | 淘汰：至少 12 张已知失焦进入 P80–P100 |
m154_manualV8Minimum | J · 主动学习 v8 | manual-calibration · scoreMin | 91.6% | +0.754 | 10 | — | — | 淘汰：至少 10 张已知失焦进入 P80–P100 |
m155_manualV8Top2 | J · 主动学习 v8 | manual-calibration · scoreTop2Mean | 87.2% | +0.884 | 18 | — | 4/368 | 淘汰：该方法 P80–P100 全审发现 4/368 失焦 |
m156_manualV9Mean | J · 主动学习 v9 | manual-calibration · scoreMean | 90.5% | +0.881 | 20 | — | 13/368 | 淘汰：该方法 P80–P100 全审发现 13/368 失焦 |
m157_manualV9Median | J · 主动学习 v9 | manual-calibration · scoreMedian | 86.1% | +0.847 | 17 | — | — | 淘汰：至少 17 张已知失焦进入 P80–P100 |
m158_manualV9Q25 | J · 主动学习 v9 | manual-calibration · scoreQ25 | 89.1% | +0.827 | 20 | — | — | 淘汰：至少 20 张已知失焦进入 P80–P100 |
m159_manualV9Minimum | J · 主动学习 v9 | manual-calibration · scoreMin | 89.1% | +0.779 | 19 | — | — | 淘汰：至少 19 张已知失焦进入 P80–P100 |
m160_manualV9Top2 | J · 主动学习 v9 | manual-calibration · scoreTop2Mean | 80.4% | +0.873 | 17 | — | — | 淘汰：至少 17 张已知失焦进入 P80–P100 |
m161_manualV10Mean | J · 主动学习 v10 | manual-calibration · scoreMean | 95.1% | +0.925 | 10 | — | 7/368 | 淘汰：该方法 P80–P100 全审发现 7/368 失焦 |
m162_manualV10Median | J · 主动学习 v10 | manual-calibration · scoreMedian | 93.8% | +0.884 | 7 | — | — | 淘汰：至少 7 张已知失焦进入 P80–P100 |
m163_manualV10Q25 | J · 主动学习 v10 | manual-calibration · scoreQ25 | 94.6% | +0.859 | 8 | — | — | 淘汰：至少 8 张已知失焦进入 P80–P100 |
m164_manualV10Minimum | J · 主动学习 v10 | manual-calibration · scoreMin | 94.6% | +0.793 | 10 | — | — | 淘汰：至少 10 张已知失焦进入 P80–P100 |
m165_manualV10Top2 | J · 主动学习 v10 | manual-calibration · scoreTop2Mean | 90.2% | +0.922 | 7 | — | — | 淘汰：至少 7 张已知失焦进入 P80–P100 |
m166_manualV11Mean | J · 主动学习 v11 | manual-calibration · scoreMean | 97.3% | +0.958 | 3 | — | 3/368 | 淘汰：该方法 P80–P100 全审发现 3/368 失焦 |
m167_manualV11Median | J · 主动学习 v11 | manual-calibration · scoreMedian | 94.8% | +0.885 | 3 | — | — | 不足：仍有 3 张历史失焦进入 P80–P100 |
m168_manualV11Q25 | J · 主动学习 v11 | manual-calibration · scoreQ25 | 96.2% | +0.853 | 3 | — | — | 不足：仍有 3 张历史失焦进入 P80–P100 |
m169_manualV11Minimum | J · 主动学习 v11 | manual-calibration · scoreMin | 96.7% | +0.767 | 3 | — | — | 不足：仍有 3 张历史失焦进入 P80–P100 |
m170_manualV11Top2 | J · 主动学习 v11 | manual-calibration · scoreTop2Mean | 94.0% | +0.955 | 3 | — | — | 不足：仍有 3 张历史失焦进入 P80–P100 |
m171_manualV12Mean | J · 主动学习 v12 | manual-calibration · scoreMean | 100.0% | +1.000 | 0 | — | 0/368 | 推荐：P80–P100 全量视觉审查 0/368 失焦 |
m172_manualV12Median | J · 主动学习 v12 | manual-calibration · scoreMedian | 97.0% | +0.909 | 0 | — | — | v12 对照：历史失焦进入高分 0 张；中位数会容忍少数坏块，未做 368 张全审 |
m173_manualV12Q25 | J · 主动学习 v12 | manual-calibration · scoreQ25 | 97.8% | +0.870 | 0 | — | — | v12 对照：历史失焦进入高分 0 张；Q25 更保守但会压低局部清晰图，未做 368 张全审 |
m174_manualV12Minimum | J · 主动学习 v12 | manual-calibration · scoreMin | 100.0% | +0.775 | 0 | — | — | v12 对照：历史失焦进入高分 0 张；最小值易被单个遮挡/空块拖低，未做 368 张全审 |
m175_manualV12Top2 | J · 主动学习 v12 | manual-calibration · scoreTop2Mean | 94.3% | +0.995 | 0 | — | — | v12 对照：历史失焦进入高分 0 张；Top2 易被少量噪声块抬高，未做 368 张全审 |
注：只有表中明确写“全审”的方法才逐张检查了自身的 368 张高分图；其他方法的“0 张历史失焦”只能算回归检查通过，不能替代全量视觉验收。
Acceptance evidence
m171 · P80–P100 全部 368 张
以下 31 页没有抽样。审查图使用 SAM 鸟体和曝光中性化显示，暗片疑点在前序轮次已回到原生 16-bit TIFF 裁图复核。
验收页 01/31
验收页 02/31
验收页 03/31
验收页 04/31
验收页 05/31
验收页 06/31
验收页 07/31
验收页 08/31
验收页 09/31
验收页 10/31
验收页 11/31
验收页 12/31
验收页 13/31
验收页 14/31
验收页 15/31
验收页 16/31
验收页 17/31
验收页 18/31
验收页 19/31
验收页 20/31
验收页 21/31
验收页 22/31
验收页 23/31
验收页 24/31
验收页 25/31
验收页 26/31
验收页 27/31
验收页 28/31
验收页 29/31
验收页 30/31
验收页 31/31
Recommendation & limits
如何投入选片流程
当前推荐把 m171 当“优先查看”排序器，而不是删除器。模型先减少人工浏览量；极小鸟、极端欠曝与新拍摄条件仍保留回查通道。
现在采用
先跑 SAM mask，再按 6 个原生块的 v12 clear 均值排序；优先展示 P80–P100，必要时继续下翻。
持续监控
每个新日期固定抽查全部 P80–P100 和一部分 P60–P80；新失败只进入下一版训练，不改写旧验收记录。
下一轮真测试
按拍摄日期留出从未参与训练的独立集，并锁定阈值；同时单列极小鸟、欠曝、运动模糊和 SAM 失败四个切片。
最终推荐：m171_manualV12Mean。保留 m173（Q25）作更保守的诊断对照，保留 Reblur 热力图作解释工具；不推荐 Top2、纯梯度、纯拉普拉斯或硬最小门控作为主排序。