fast guided filter 矩阵求逆总错？用 TaoToken 接入的 Codex 来排查 a_k/b_k

1. fast guided filter 矩阵求逆总错先别急着怀疑数学如果你正在把 fast guided filter 从论文公式落到 Python 或 C大概率会卡在同一个地方单通道版本还能跑一旦引导图变成三通道a_k0、a_k1、a_k2和b_k就开始飘输出图像要么发灰、要么出现奇怪的色块甚至直接 NaN。问题往往不在滤波思想而在 3x3 对称矩阵的伴随求逆、σ00/σ01/σ02的取值、det的展开顺序以及boxfilter均值与下采样因子s的关系上。我试过最笨也最有效的办法把公式5到9的每一个中间量都打印出来逐项和原文对照。但人眼核对三阶行列式很容易漏符号这时候用 TaoToken 接入的 Codex 来当“公式对照助手”就非常合适。它不替你算滤波而是帮你逐项核对变量含义、伴随矩阵展开、inv矩阵和b_k的计算是否写错。下面这套流程就是围绕“排障”视角展开的先配通模型通道再让 Codex 陪你一行行查。2. 用 TaoToken 给 Codex 供 Key 和 Base URLTaoToken 在这里的角色很单纯给 Codex 提供模型通道也就是一个 Key 和一个 Base URL。它不参与滤波计算也不碰你的图像数据只负责让 Codex 能正常对话、帮你核对公式。你可以先打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 注册账号然后在控制台里创建一个 API Key。创建好之后Codex 的 Base URL 填成https://taotoken.net/api注意两点不要加/v1也不要带 UTM 参数。Key 就填你刚创建的那串。配通之后Codex 就能用来定位 fast guided filter 多通道矩阵求逆和a_k/b_k求值中的实现错误。如果你更习惯在命令行里做长期编码和 Agent 调试也可以看看 Coding Plan 页面把 Codex 的接入方式固定下来后面排查公式时不用反复改配置。3. 可复制配置把 Codex 接到本地排查环境下面以常见的 OpenAI 兼容方式为例给你一份可以直接复制的配置。假设你在本地用 Python 写验证脚本同时想让 Codex 帮你读代码、对公式。先设置环境变量避免 Key 写死在代码里export TAOTOKEN_API_KEY你的_Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api然后在 Python 里这样初始化客户端import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) resp client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: 你是引导滤波公式核对助手只做逐项对照不重写算法。}, {role: user, content: 请帮我核对 fast guided filter 的 adj00 到 adj12 展开是否正确。}, ], ) print(resp.choices[0].message.content)如果你用的是 Codex 命令行工具配置里同样把 Base URL 指向https://taotoken.net/apiKey 用环境变量注入。配好之后先发一句“你好”确认通道正常再进入公式核对。这里有个小坑Base URL 末尾不要多写斜杠也不要写成https://taotoken.net/api/v1。多一层路径会导致请求 404很多人第一次配不通就是栽在这里。4. 验证请求打印 σ、det、inv 和 a_k/b_k 中间值配通之后真正的排障才开始。fast guided filter 多通道版本的核心是把公式4里的 3x3 对称矩阵求逆展开成公式567再代入公式8求a_k0..b_k。你可以让 Codex 帮你逐项核对但前提是你先把中间值打印出来。下面是一段可运行的验证代码重点是把σ00/σ01/σ02、det、inv00/inv01/inv12以及a_k0..b_k都打出来import numpy as np def box_filter(img, r): # 简化版 boxfilter实际可用积分图加速 k 2 * r 1 kernel np.ones((k, k), dtypenp.float32) / (k * k) from scipy.ndimage import convolve return convolve(img, kernel, modereflect) def fast_guided_filter_debug(I, p, r4, s2, eps1e-4): # I: 引导图 HxWx3, p: 输入图 HxW # 下采样 I_s I[::s, ::s, :] p_s p[::s, ::s] r_s max(1, r // s) mean_I0 box_filter(I_s[:, :, 0], r_s) mean_I1 box_filter(I_s[:, :, 1], r_s) mean_I2 box_filter(I_s[:, :, 2], r_s) mean_p box_filter(p_s, r_s) mean_Ip0 box_filter(I_s[:, :, 0] * p_s, r_s) mean_Ip1 box_filter(I_s[:, :, 1] * p_s, r_s) mean_Ip2 box_filter(I_s[:, :, 2] * p_s, r_s) # 协方差 cov_Ip0 mean_Ip0 - mean_I0 * mean_p cov_Ip1 mean_Ip1 - mean_I1 * mean_p cov_Ip2 mean_Ip2 - mean_I2 * mean_p # σ 矩阵 var_I0 box_filter(I_s[:, :, 0] * I_s[:, :, 0], r_s) - mean_I0 * mean_I0 var_I1 box_filter(I_s[:, :, 1] * I_s[:, :, 1], r_s) - mean_I1 * mean_I1 var_I2 box_filter(I_s[:, :, 2] * I_s[:, :, 2], r_s) - mean_I2 * mean_I2 cov_I01 box_filter(I_s[:, :, 0] * I_s[:, :, 1], r_s) - mean_I0 * mean_I1 cov_I02 box_filter(I_s[:, :, 0] * I_s[:, :, 2], r_s) - mean_I0 * mean_I2 cov_I12 box_filter(I_s[:, :, 1] * I_s[:, :, 2], r_s) - mean_I1 * mean_I2 # 伴随矩阵公式 5 adj00 var_I1 * var_I2 - cov_I12 * cov_I12 adj11 var_I0 * var_I2 - cov_I02 * cov_I02 adj22 var_I0 * var_I1 - cov_I01 * cov_I01 adj01 cov_I02 * cov_I12 - cov_I01 * var_I2 adj02 cov_I01 * cov_I12 - cov_I02 * var_I1 adj12 cov_I02 * cov_I01 - var_I0 * cov_I12 # 行列式公式 6 det var_I0 * adj00 cov_I01 * adj01 cov_I02 * adj02 det np.where(np.abs(det) 1e-12, 1e-12, det) # 逆矩阵公式 7 inv00 adj00 / det inv11 adj11 / det inv22 adj22 / det inv01 adj01 / det inv02 adj02 / det inv12 adj12 / det # a_k公式 8 a0 inv00 * cov_Ip0 inv01 * cov_Ip1 inv02 * cov_Ip2 a1 inv01 * cov_Ip0 inv11 * cov_Ip1 inv12 * cov_Ip2 a2 inv02 * cov_Ip0 inv12 * cov_Ip1 inv22 * cov_Ip2 b mean_p - a0 * mean_I0 - a1 * mean_I1 - a2 * mean_I2 # 打印中间值方便和公式5678对照 print(σ00:, var_I0[0, 0], σ01:, cov_I01[0, 0], σ02:, cov_I02[0, 0]) print(det:, det[0, 0]) print(inv00:, inv00[0, 0], inv01:, inv01[0, 0], inv12:, inv12[0, 0]) print(a_k0:, a0[0, 0], a_k1:, a1[0, 0], a_k2:, a2[0, 0], b_k:, b[0, 0]) return a0, a1, a2, b跑起来之后你会看到类似这样的输出σ00: 0.0123 σ01: 0.0045 σ02: 0.0031 det: 2.345e-06 inv00: 5210.3 inv01: -1203.7 inv12: -890.2 a_k0: 0.812 a_k1: 0.104 a_k2: 0.067 b_k: 0.021把这些值和原文公式5678逐一比对。如果det接近 0说明σ矩阵接近奇异通常是eps没加或者加错了位置如果inv的符号和原文对不上多半是伴随矩阵展开时符号写反了。5. 本篇常见错排查σ、det、inv 和 b_k 对不上怎么办排障时错误往往集中在几个固定位置。下面用表格对照一下常见现象和原因现象可能原因排查方法det为 0 或极小eps未加到对角线或σ计算时均值用错检查var_I0 eps是否只加在主对角inv01符号反了伴随矩阵adj01展开符号写错对照公式5逐项核对a_k0很大或 NaNdet接近 0除零打印det加保护阈值b_k和原文差一个p_kmean_p用了下采样前的值确认p_s和I_s同步下采样输出图像发灰a_k平均时用了下采样后的尺寸公式9的均值要在原图尺寸上做还有一个高频错误boxfilter的半径r和下采样因子s的关系。fast guided filter 里下采样后滤波半径通常写成r/s但如果你直接沿用原半径boxfilter窗口会偏大导致σ被过度平滑a_k偏小。你可以让 Codex 帮你检查这一行r_s max(1, r // s)如果s2、r4r_s应该是 2而不是 4。这个细节在原文里往往一笔带过但实现时错一次就会让结果整体偏软。另外公式9里的平均是在原图尺寸上对a_k和b_k做boxfilter不是在 downsample 后的图上做。如果你在下采样图上平均完再上采样边缘会出现块状伪影。正确做法是先把a_k、b_k上采样回原尺寸再做均值滤波。6. 语义一致 CTA排障和接入走 API Keys 与文档如果你已经配通了 Codex接下来最顺手的做法是把上面那段验证代码丢给 Codex让它逐行对照公式5到9指出哪一行的变量含义和原文不一致。排障和接入相关的问题可以直接去 API Keys 页面创建新 Key或者翻接入文档确认 Base URL 和参数格式。验证模型是否正常响应可以用模型对话页面发一条测试消息如果你打算长期用 Codex 做编码和 Agent 调试Coding Plan 会更适合固定接入方式。整个流程里TaoToken 只负责给 Codex 供 Key 和 Base URL滤波计算和公式核对都在你本地完成。最后留一个实用技巧每次改完σ或inv的计算先只跑一个 5x5 的小图把det和inv00打印出来和手算结果对一遍。小图对了再上大图。这样排障速度会比直接跑全图快很多。