1. 暗光之痛：传统ISP的物理极限与AI的入场契机

做图像处理这些年，我见过太多夜景翻车的案例。用户满心期待拍下的星空，最后变成一片噪点；监控摄像头在凌晨三点捕捉到的画面，连人脸轮廓都分不清。说白了，暗光拍摄一直是传统ISP的软肋。

为什么会这样？我们得从物理层面说起。

1.1 光子太少：传感器先天的“饥饿症”

图像传感器的工作原理，说白了就是数光子。光线越强，光子越多，信号越干净。可一到暗光环境，光子数量断崖式下跌。

我举个例子。白天户外照度大约在10,000 lux，而月光下的照度只有0.1 lux左右。差了整整五个数量级。传感器能接收到的光子少了，信号自然就弱。

信号弱会带来什么问题？

• 信噪比（SNR）急剧下降：光子本身的随机涨落（散粒噪声）占比变大，图像看起来就像蒙了一层沙。
• 量化精度不足：ADC（模数转换器）在低信号下无法有效区分真实信号和噪声，细节被淹没。
• 色彩失真：Bayer阵列中每个像素只采集一种颜色，暗光下颜色重建变得极不稳定。

1.2 传统ISP的“三板斧”：增益、降噪、多帧合成

面对暗光，传统ISP工程师能用的招数其实不多。我刚开始做ISP时，师傅教我的就是这三招。

策略	原理	代价
模拟增益（Analog Gain）	在ADC之前放大电压信号	放大信号的同时放大读出噪声，信噪比改善有限
数字增益（Digital Gain）	在数字域乘一个系数	量化噪声被放大，暗部出现明显色块和条纹
空域降噪（Spatial Denoise）	用邻域像素平均或中值滤波	边缘模糊，纹理细节丢失，图像变“肉”
多帧合成（Multi-frame Fusion）	对齐并叠加多帧短曝光图像	运动物体出现鬼影，手持拍摄对齐难度大

这些方法有用吗？有用。但天花板很明显。

我记得有一次做安防摄像头的项目，客户要求在0.01 lux下能看清车牌。我们试了各种增益组合，降噪算法调了又调，最后画面是能看了，但车牌上的数字边缘全是锯齿，根本识别不出来。那一刻我意识到，传统ISP的物理极限到了。

1.3 物理极限：为什么传统ISP走不远了？

传统ISP的瓶颈，归根结底是“模型驱动”的局限。它依赖工程师手工设计的算法和固定的参数模型。这些模型在理想光照下表现不错，但一到暗光这种非线性、高噪声的复杂场景，就力不从心了。

具体来说，有几个硬伤：

• 噪声模型过于简化：传统降噪算法假设噪声是高斯分布或泊松分布，但真实传感器的噪声是多种噪声的混合体，包括散粒噪声、读出噪声、固定模式噪声、热噪声等。简化模型无法精准去除。
• 信号与噪声难以分离：在暗光下，信号和噪声的频谱高度重叠。传统滤波器（如双边滤波、NLM）很难在不损伤细节的前提下有效降噪。
• 色彩重建不稳定：暗光下Bayer插值（Demosaic）容易产生伪色和拉普拉斯伪影，传统算法对此束手无策。

你想想看，一个靠“猜”的数学模型，怎么可能应对千变万化的真实场景？

1.4 AI入场：从“规则驱动”到“数据驱动”

AI的到来，改变了游戏规则。它不再依赖工程师手工设计特征和规则，而是从大量数据中自动学习映射关系。

说白了，传统ISP是“我给你规则，你按规则执行”；AI ISP是“我给你数据，你自己学会怎么做”。

这种转变带来了几个关键优势：

• 端到端学习：输入raw图，直接输出高质量RGB图，中间所有步骤（降噪、去马赛克、白平衡、色调映射）由网络统一优化。
• 非线性建模能力：深度神经网络可以拟合极其复杂的非线性映射，完美应对暗光下的噪声和色彩退化。
• 数据驱动的先验：网络能从海量数据中学习到“什么是干净的图像”，从而在降噪时保留更多细节。

1.5 知识图谱：本章核心逻辑

下面这张图，是我个人梳理的本章知识结构。它帮你理清“暗光之痛”的根源，以及AI为什么能成为破局者。

1.6 小结：从“补短板”到“换引擎”

传统ISP在暗光下的困境，本质上是物理规律和模型局限共同作用的结果。光子不够，信号太弱，噪声太强，手工设计的算法再怎么优化，也难逃“按下葫芦浮起瓢”的窘境。

AI的入场，不是简单的“加一个降噪模块”，而是从底层逻辑上改变了图像信号处理的范式。它不再依赖工程师的“经验公式”，而是从数据中学习最优的映射关系。说白了，这是从“补短板”到“换引擎”的升级。

当然，AI ISP也不是万能的。它有自己的问题——计算量大、对训练数据敏感、可解释性差。但至少，在暗光这个战场上，它让我们看到了突破物理极限的希望。