2026年，想用FPGA实现一个‘实时视频去雨’的本科毕设，在资源受限的Artix-7平台上，如何对基于物理模型的算法进行硬件加速，并与基于深度学习的轻量级去雨模型进行效果与实时性对比？
我是电子信息工程专业的大四学生，正在做毕设选题。想用FPGA做一个实时视频去雨系统，目标是能在Artix-7这类资源有限的开发板上跑起来。我调研发现，去雨算法有基于物理模型（如导向滤波）的传统方法，也有基于CNN的深度学习模型（如轻量化的RainNet）。我的困惑是：1. 如何在硬件上高效实现传统算法的流水线，比如如何并行化处理？2. 如果要用轻量CNN，如何对模型进行极致的定点量化与硬件架构映射，以在有限的DSP和BRAM资源下满足实时性？3. 如何设计一个公平的对比框架，从PSNR/SSIM指标和帧率/功耗两方面评估两种方案的优劣？希望有经验的学长或工程师能给一些架构设计和优化思路。
码电路的阿明
