diff --git a/docs/experiments.md b/docs/experiments.md
index 5e4ea9e..d6ab591 100644
--- a/docs/experiments.md
+++ b/docs/experiments.md
@@ -334,3 +334,28 @@ ddddocr 1.6.1（slide_match，simple_target=True）对抖音贴图题全灭：
 - 原因：slide_match 为「窄长滑块 + 挖空缺口」设计；抖音 mark 是约 100px 大块
   贴图、缺口是半透明白贴片（非挖空），模板纹理关系不成立
 - 结论：ddddocr 不适用于该场景，维持方向感知 chamfer 路线
+
+### TV 亚像素精修（2026-09-15 深夜，自研方案终局）
+
+原理：缺口渲染 = bg×(1−a)+white×a（半透明白贴片）。给定候选位置，用 mark 的
+alpha 反推 bg（=(pixel−white·a)/(1−a)），反推结果的总变差（TV）在正确位置最低
+（反推出的背景应是自然图像）。与 chamfer z 分数相加（λ=1.0），±5px 窗口联合取谷。
+
+标定（4 样本，bbox 系真值）：
+
+| 题 | 真值 | 精修前 Δ | 精修后 Δ |
+| --- | --- | --- | --- |
+| live_164551 | 309 | +1 | **0** |
+| live_165204 | 177 | −1 | **0** |
+| live_172458 | 388 | −1 | **+1** |
+| live_173321 | 391 | 0 | **0** |
+
+离线 10 题回归 9/10 保持（TV 保护逻辑：谷值信噪 <0.5σ 时跳过，防噪声扰动）。
+
+同日上线：live_172415（=155342 同题二出），solve x=395 未被 TV 移动
+（comb 谷在原位），用户目检确认「这个很准」。仍 VerifyErr。
+修正认知：**post_pos 位移读数只在 PASS 时可信**（VerifyErr 后 SDK 立即重置，
+读到的是重置中间态——172415 读到 231.8/243.3「截断」实为重置，非不跟手）。
+
+VerifyErr 尾案：位置准 + VerifyErr 并存 → 服务端容差可能比预想更紧（±2px 级），
+或存在尚未观测到的判据（行为分残留 / mark 与服务端渲染的 ±2px 源差异）。
diff --git a/src/method_l_shape.py b/src/method_l_shape.py
index c350f5a..13abc50 100644
--- a/src/method_l_shape.py
+++ b/src/method_l_shape.py
@@ -242,6 +242,92 @@ def rotation_scan(d, pts, angs, w, h, x, y):
         return None
 
 
+def _tv_refine(big, mark, d, target, win=5, lam=1.0):
+    """基于半透明贴片物理模型的亚像素精修。
+
+    缺口渲染 = bg*(1-a) + white*a。给定候选位置，用 mark 的 alpha 反推 bg，
+    反推结果的 Total Variation 越低越自然 → 位置越正确。与 chamfer 分数
+    z-normalize 后相加（λ=1.0），在 ±win px 窗口取联合最低点。
+    无有效 TV 信号（alpha 全不透明 / 信号弱）时保持原位。
+    """
+    try:
+        if big is None or mark is None or mark.ndim != 3 or mark.shape[2] != 4:
+            return target
+        bigf = big.astype(np.float32)
+        a_full = mark[..., 3].astype(np.float32) / 255.0
+        s = target["scale"]
+        bx0, by0 = d["bbox"]
+        h, w = a_full.shape
+        ar_full = cv2.resize(a_full, (max(1, round(w * s)), max(1, round(h * s))),
+                             interpolation=cv2.INTER_AREA)
+        ay0, ax0 = round(by0 * s), round(bx0 * s)
+        bh, bw = d["am"].shape
+        ay1, ax1 = round((by0 + bh) * s), round((bx0 + bw) * s)
+        ay0, ax0 = max(0, ay0), max(0, ax0)
+        ar = ar_full[ay0:ay1, ax0:ax1]
+        if ar.size == 0 or ((ar > 0.05) & (ar < 0.85)).sum() < 200:
+            return target
+        H, W = d["shape"]
+        score2, _, _, _ = score_at_scale(d, s)
+        if score2 is None:
+            return target
+        ch_vals, tv_vals, dxs = [], [], []
+        for dy in range(-win, win + 1):
+            for dx in range(-win, win + 1):
+                x0 = target["x"] + dx
+                y0 = target["y"] + dy
+                if y0 < 0 or x0 < 0 or y0 + ar.shape[0] > H or x0 + ar.shape[1] > W:
+                    ch_vals.append(None); tv_vals.append(None); dxs.append((dx, dy))
+                    continue
+                tv = _tv_at(bigf, ar, x0, y0)
+                ch_vals.append(float(score2[y0, x0]))
+                tv_vals.append(tv)
+                dxs.append((dx, dy))
+        chv = np.array([v if v is not None else np.nan for v in ch_vals], np.float32)
+        tvv = np.array([v if v is not None else np.nan for v in tv_vals], np.float32)
+        if np.isnan(tvv).all():
+            return target
+        sd_t = np.nanstd(tvv)
+        # TV 信噪保护：谷值不显著（<0.5σ 低于均值）说明该题 TV 无区分度，不采纳
+        if sd_t < 1e-6 or (np.nanmean(tvv) - np.nanmin(tvv)) < 0.5 * sd_t:
+            return target
+        def zn(v):
+            m = np.nanmean(v)
+            sd = np.nanstd(v) + 1e-9
+            return (v - m) / sd
+        comb = zn(chv) + lam * zn(tvv)
+        if np.isnan(comb).all():
+            return target
+        bi = int(np.nanargmin(comb))
+        dx, dy = dxs[bi]
+        if dx == 0 and dy == 0:
+            return target
+        out = dict(target)
+        out["x"] = target["x"] + dx
+        out["y"] = target["y"] + dy
+        return out
+    except Exception:
+        return target
+
+
+def _tv_at(bigf, ar, x0, y0):
+    """在 (x0,y0)（bbox 左上）反推背景并返回绿色通道 TV。"""
+    try:
+        th, tw = ar.shape
+        roi = bigf[y0:y0 + th, x0:x0 + tw]
+        m = (ar > 0.05) & (ar < 0.85)
+        if m.sum() < 200:
+            return None
+        white = np.array([255.0, 255.0, 255.0], np.float32)
+        bg = (roi - white * ar[..., None]) / np.clip(1.0 - ar[..., None], 0.15, 1.0)
+        g = bg[..., 1]
+        if not np.isfinite(g).all():
+            return None
+        return float(np.abs(np.diff(g, axis=1)).mean() + np.abs(np.diff(g, axis=0)).mean())
+    except Exception:
+        return None
+
+
 def solve_pair(big, mark, tip_y=None):
     """纯函数：给定大图与 mark 图（BGR/BGRA ndarray），返回求解结果。
 
@@ -400,6 +486,11 @@ def solve_pair(big, mark, tip_y=None):
             if best[0] < target["refined"]:
                 target = dict(scale=best[1], x=best[2], y=best[3], rot=best[4],
                               refined=best[0])
+            # TV 精修（2026-09-15）：贴片 = bg*(1-a)+white*a，位置正确时反推出的
+            # bg（=（pixel-white*a)/(1-a)）应是自然图像（总变差最低）。
+            # 4 标定样本上真值处 TV 全部谷底或并列谷底；与 chamfer z-分数相加
+            # (λ=1.0) 后 4/4 命中 ≤1px。仅 OK 候选做，窗口 ±5px。
+            target = _tv_refine(big, mark, d, target)
         s = target["scale"]
         off = (target["x"] - round(bx0 * s), target["y"] - round(by0 * s))
         return dict(x=off[0], y=off[1], scale=s, rot=target["rot"],