在瑞芯微平台做视觉方案时，更换 Sensor 往往不是“换颗镜头、改个驱动”那么简单。真正容易出问题的地方，在于 ISP 的调试参数与下游模型输入之间是否还保持匹配。很多团队在替换 Sensor 后只关注图像是否正常显示，却忽略了模型推理所用的数据分布已经悄然变化，导致后端的检测或识别精度莫名下降。
联合复核的第一步，是确认 ISP 输出的图像格式与模型预处理要求完全一致。不同 Sensor 的 RGBIR 排列、Bayer 格式乃至动态范围都可能不同，如果 ISP 的 Demosaic 或 CCM 矩阵没有针对新 Sensor 重新标定，输出的色彩就会偏移。模型虽然是同一套权重，但其训练时依赖的输入分布是基于原 Sensor 的，一旦色偏或白平衡特征变化，推理结果自然失真。
第二步要复核 ISP 的降噪与锐化强度。新 Sensor 的噪声底噪和原 Sensor 往往有差异，原本合适的 3DNR 参数现在可能过度平滑，把细小纹理抹掉，或者锐化过强产生伪影，这些都会干扰模型对边缘和局部特征的提取。建议在相同光照条件下，分别抓取新旧 Sensor 经过 ISP 后的 raw 图与 YUV 图，用同一套模型跑一遍验证集，对比特征图激活分布的变化，而不仅仅是看最终检出率。
第三步是检查自动曝光与自动白平衡的收敛速度和目标值。不同 Sensor 的光谱响应不同，同样的 AE 目标亮度下，实际进光量和色彩还原可能有偏移。需要重新调整 AE 的权重窗口和 AWB 的色温曲线，确保模型面对的环境光照分布与训练时一致。尤其是户外场景，如果 AWB 把蓝天或绿植的增益拉得过激，模型对颜色敏感的任务会立刻失效。
最后，建议把“ISP 参数 + 模型输入”作为一套整体配置做回归测试。瑞芯微平台支持导出一份完整的 ISP tuning 文件，可以连同模型预处理参数一起打版本。每次更换 Sensor 后，至少跑一次覆盖白天、夜晚、逆光、室内暖光等典型场景的冒烟测试，观察模型输出的置信度分布是否与原 Sensor 接近。若偏差超过预设阈值，优先回看 ISP 参数，而不是急着重训或调模型——大多数时候问题都出在数据进入模型之前。