Nuke CopyCat 适合处理镜头级、输入和输出关系清楚的重复性任务。团队提供输入帧和 ground truth 帧，训练得到供 Inference 使用的 .cat 模型，再把模型应用到序列。它的价值在于把一段已经做好的局部修复或去标记工作变成可重复的处理步骤，模型、样本和人工修正仍需要一起管理。
先确认任务能不能被描述
CopyCat 的训练对象是画面之间的对应关系。局部修复、去除跟踪标记、固定区域的画面处理都可以作为候选。若团队无法清楚说明输入画面和目标画面有什么差异，样本就很难准备，结果也难以判断。
开始前可以问三个问题。
- 样本是否覆盖镜头里的运动、光照和构图变化
- 结果出错时能否定位到某一类画面或输入条件
- 自动结果不合格时，工程是否还能回到传统节点和手工修正
三个问题都能回答，再投入训练时间会更稳妥。若任务需要不断改变创意方向，或者每个镜头的处理规则都不同，保留传统节点往往更容易维护。
样本准备比参数更重要
输入帧和目标帧需要一一对应，画面尺寸、裁切范围和颜色处理也要保持一致。样本应集中在要解决的局部问题上，减少无关背景变化对训练的干扰。镜头有明显运动时，要让样本覆盖代表性的帧，不能只选最干净的一帧。
样本准备完成后，保留原始输入、人工修正结果和选帧说明。以后发现模型在某类运动上失效，团队才能回到具体样本检查，而不是重新猜测原因。
训练阶段要记录什么
CopyCat 的训练界面包含 epoch、batch size、crop size 和检查点等参数。它们会影响训练过程和中间结果，GPU 可用性也会影响迭代速度。第一轮小样不需要一次把所有参数推到高值，先让团队确认样本关系和输出形式，再逐步调整更容易发现问题。
每次训练都应记录模型文件、样本版本、参数、训练时间和检查点。模型命名要能回到镜头、任务和版本，避免把不同用途的 .cat 文件混在一起。训练中途保存的检查点也应与最终模型分开标记。
Inference 是另一轮验收
Inference 负责把训练得到的网络应用到序列。它需要重新检查输入尺寸、裁切、颜色处理和输出通道。训练时的设置与推理时的设置只要有一项不一致，结果就可能出现边缘、色彩或通道问题。
正式处理前先跑一小段序列，观察运动变化、边缘细节和画面连续性。发现异常时，先判断是输入配置问题、样本覆盖不足还是人工修正没有回到训练集，再决定是否调整模型。不要直接用整条片的结果去掩盖局部错误。
交付和回退要同时准备
完成推理后，把模型、输入与目标样本、版本信息和人工修正记录一起归档。工程中保留传统节点或手工修正的分支，自动结果才有明确的回退路径。团队可以比较相同镜头的处理时间、修正次数和最终画面，再决定是否把模型复用到其他镜头。
ONCE 自有产品片截帧放在这里，用于说明产品视觉内容的语境，不代表 CopyCat 的训练或推理结果。
资料核对
- Foundry CopyCat reference
- Foundry Apply and Improve CopyCat
- Foundry Nuke 17 release notes
- 研究种子 0925 CopyCat, inference & machine learning in Nuke
