1. 课程导入

在手机、安防、车载与工业视觉中，低光照自动对焦（AF）一直是体验差异最明显的环节之一。白天几毫秒即可锁定的场景，到了夜间可能反复拉风箱、对焦漂移，甚至直接放弃对焦。本课程围绕“低光照场景AF算法调优实战”展开，目标不是泛泛介绍AF原理，而是建立一套可复现、可量化、可落地的调优方法：从现象定位到参数标定，从算法策略到场景验证，最终形成能交付的调优报告。

一、学习目标：从“会看现象”到“会改参数”

完成本课程后，你应当具备四项可检验的能力。第一，能区分低光照AF失败的根因类别：是信噪比不足导致对比度检测失效，还是相位检测（PDAF）视差信息被噪声淹没，抑或是搜索策略与帧率不匹配。第二，能读懂AF调优中的关键参数，例如对比度阈值、搜索步长、ROI权重、置信度门限、曝光与增益的耦合关系。第三，能设计对照实验：固定光源、固定距离、固定纹理，只改变一个变量，记录对焦时间、成功率与最终清晰度。第四，能输出结构化调优结论，包括问题描述、数据证据、参数修改、回归验证与风险说明。

二、核心挑战：低光照为什么让AF变难

低光照AF的困难并非单一因素造成，而是光、噪、算、动四者耦合的结果。首先，进光量下降使图像信噪比降低，对比度检测依赖的梯度信息被噪声掩盖，清晰度评价函数（如Sobel、Tenengrad）的峰值变得平坦，算法难以判断“哪里更清晰”。其次，PDAF依赖左右像素的视差计算相位差，暗光下左右图像相关性下降，置信度降低，容易出现错误相位或直接不可用。第三，为了提升亮度，系统往往提高增益或延长曝光，增益放大噪声，长曝光引入运动模糊，两者都会破坏对焦评价的稳定性。第四，低光照下帧率通常下降，搜索过程中场景或手抖造成画面变化，使“搜索—评价—决策”闭环变慢，拉长对焦时间。

这些挑战在工程上表现为典型现象：对焦时间从300ms恶化到2s以上；近处对焦成功、远处失败；人脸区域对焦反复跳动；视频录制中持续微抖。调优的关键不是消灭噪声，而是在噪声存在的前提下，让AF决策仍然可靠。

三、整体课程框架：三层能力与六个模块

课程按“基础认知—算法调优—场景实战”三层递进。基础认知层解决术语与链路问题，包括AF系统组成、对比度AF与PDAF差异、低光照成像链路。算法调优层聚焦可操作参数与策略，包括ROI与权重、搜索策略、置信度融合、曝光增益协同。场景实战层覆盖人脸、夜景、运动、车载与安防等真实场景，并给出调优模板与复盘方法。

四、实战路线图：从基线到固化

实战路线图建议按五步推进。第一步建立基线：在标准暗室或可控光源下，记录当前版本的AF成功率、平均对焦时间、失败场景分布。第二步定位根因：通过日志与中间数据判断是评价函数失效、PDAF置信度低，还是搜索策略不当。第三步参数调优：优先调整ROI与评价函数，再调整PDAF门限与融合权重，最后优化搜索步长与终止条件。第四步回归验证：覆盖不同照度、色温、距离、纹理与运动状态，确认无回归。第五步固化交付：将参数写入配置文件，形成版本记录与场景白名单。

五、典型场景与误区复盘

以夜景人像为例：照度约5 lux，人脸区域纹理弱，背景有高亮灯牌。常见失败是AF把背景灯牌当作高对比目标，导致人脸模糊。调优时应提高人脸ROI权重，降低背景高亮区域权重，并对PDAF置信度设置门限，低于门限时回退到对比度搜索。另一个场景是车载夜间前视：目标距离远、纹理少，PDAF容易失效，需要结合场景先验限制搜索范围，避免全程扫描。

建议在调优前先写清楚假设与验收标准，例如“在5 lux、30cm距离、人脸场景下，对焦成功率从70%提升到90%，平均对焦时间不超过800ms，且20 lux场景无回归”。有了明确标准，后续每一步参数修改才有判断依据。

# 低光照AF调优记录模板（示例）
场景: 夜景人像 / 5 lux / 30cm
基线: 成功率 70% | 平均对焦时间 1.6s | 拉风箱 3次
根因: 背景灯牌干扰ROI + PDAF置信度低
修改: face_roi_weight=0.8, background_weight=0.1,
      pdaf_conf_th=0.35, search_step=2
验证: 成功率 92% | 平均对焦时间 0.72s | 拉风箱 1次
回归: 20 lux 成功率 98% -> 98%，无回归