网飞公司开发出一种自动化质量控制（QC）方法，用于检测视频中的像素级失真。
该解决方案旨在减少人工审查的需求，它能够识别出被称为热或亮像素的亮点，从而能够在制作过程的早期阶段进行干预，避免在后续阶段进行成本高昂且耗时的校正。
像素级出错通常分为两类：表现为单帧亮点的热或亮像素以及不响应光的死（卡顿）像素。此前，网飞公司已开展了检测死像素错误的工作，现在其将注意力转向了热像素，因为这类像素较难通过人工方式标记出来。
该公司开发了一种神经网络，能够实时、规模化精准指出像素级的失真，并且具有近乎完美的查全率。检测要求在大图像中识别出小规模、细微的特征，并能够区分失真和具有类似失真特征（如小光斑、眼光及其它可观反射）的自然明亮像素。
为实现这一目标，网飞公司设计了一种模型，能够以全分辨率处理大规模输入数据，而非在预处理阶段对其进行降采样，从而确保像素级误差仍能被检测到。每次分析5个连续帧，为网络提供确立一明亮对象是有意还是小差错所需的时间背景信息。对于每一帧，都会生成一个输入层面像素错误发生率的连续值图。在训练过程中，这些图通过减少密集的像素方面的损失函数进行优化。
在干预过程中，该算法会先使用置信阈值将该模型的输出二值化，然后进行连通分量标记以定位错误群集。错误位置会被准确地绘制并报告，整个过程是在一个GPU 上实时完成的。
为了创建逼真的训练样本，开发了一个合成像素误差发生器，以模拟真实世界中的失真。这些失真被叠加到来自网飞内容库中的画面上。虽然合成数据对于训练至关重要，但为确保精确性，该模型需要多次循环使用新的、现实世界的镜头。迭代改进的过程如下：
●推断：在未添加合成热像素的情况下，对之前未见过的片段运行该模型。
●误报消除：人工审查检测结果，并完全消除误报标签，这比从头开始标记热像素要容易得多。
●细调与迭代：在精炼的数据集上进细调，并不断重复操作直至达到趋同。
一个不断完善的处理旨在减少误报，保持高灵敏度，同时最大限度减少因处理内容量大而必然产生的误报数量。
网飞公司表示，需几个小时的费力人工审核工作已最大限度减少，现在审查可能只需几分钟。该公司正通过实际部署不断优化其功能，并与合作伙伴合作，加深对像素误差如何影响观看体验的理解。