低光照 AF 的挑战：信噪比恶化、对比度下降、局部极值陷阱、算法收敛速度与稳定性权衡

各位好，我是老周。今天咱们聊聊低光照环境下的自动对焦。说实话，这个课题我啃了好几年，踩过的坑能写满一本笔记本。你想想看，白天光线充足的时候，AF 算法跑得跟兔子似的，又快又准。可一到晚上或者暗光场景，问题就全冒出来了。

为什么会这样？说白了，低光照对 AF 系统是全方位打击。不是某一个环节出问题，而是整个链条都在恶化。我习惯把挑战归纳为四个核心维度，咱们一个一个拆开看。

信噪比恶化：信号被噪声淹没了

先讲最根本的问题——信噪比。图像传感器在低光照下，光子数不够，信号本身就弱。但读出噪声、暗电流噪声、热噪声这些可不会因为光线暗就变小。结果就是 SNR 直线往下掉。

我记得有一次在实验室调一个手机模组，室内照度只有 5 lux。我盯着屏幕上的对焦评价曲线，简直像在看心电图——全是毛刺，根本找不到峰值在哪。这就是典型的信噪比恶化。

信噪比恶化带来的直接后果是什么？

• 评价函数曲线抖动——同一位置多次采样，数值差异巨大
• 峰值定位偏移——真实焦平面被噪声峰值掩盖
• 算法误判率上升——把噪声尖峰当成对焦峰值

对比度下降：画面变平了

低光照下，场景的纹理细节会大量丢失。你想想看，晚上拍一张黑墙，像素值都在 10-30 之间浮动，相邻像素的差异几乎为零。对比度一降，基于对比度检测的 AF 算法就抓瞎了。

我做过一个统计：在 100 lux 环境下，典型场景的对比度值大约是 0.3-0.5；降到 10 lux 时，对比度可能只有 0.05-0.1。差了 5 倍以上。这时候你再用同样的阈值去触发对焦，要么永远触发不了，要么触发了但评价函数太平坦，找不到明确峰值。

局部极值陷阱：你以为对了，其实错了

这是最坑人的问题。低光照下，评价函数不再是光滑的单峰曲线，而是布满局部极值的锯齿状。算法很容易掉进局部极值里，以为自己找到焦点了，其实差得远。

我曾经在一个项目中吃过这个亏。当时算法在 20 lux 下测试，对焦成功率显示 95%，我觉得稳了。结果拿到真实场景一测，很多照片都是微糊的。后来一查，算法在局部极值附近收敛了，根本没找到全局最优。

局部极值陷阱的典型表现：

1. 评价函数在某个位置出现多个相近的峰值
2. 算法反复在几个位置之间来回跳，无法稳定
3. 最终收敛位置与真实焦平面偏差超过 2-3 个 DOF（景深）

算法收敛速度与稳定性权衡

这个权衡，说白了就是「快」和「准」之间的矛盾。低光照下，你希望算法快点收敛，免得用户等太久；但快了又容易出错，稳定性差。你希望算法稳一点，多采样几次取平均，但用户可能已经举着手机骂娘了。

我个人的经验是：不要试图在所有场景下用同一套参数。低光照场景应该单独设计一套收敛策略。

嗯，这里要注意：自适应步长听起来很美，但实现起来坑很多。我见过不少方案，自适应逻辑写得太复杂，反而引入了新的不稳定因素。我的建议是：先从简单的多档位切换做起，跑通了再考虑自适应。

知识体系总览

下面这张图是我自己整理的，把低光照 AF 的四大挑战以及它们之间的关联画出来了。你可以把它当作本章的思维导图。

四个挑战的耦合关系

你看这张图就明白了，这四个挑战不是孤立的。信噪比恶化会直接导致对比度下降——噪声把微弱的纹理信号淹没了。对比度下降又会让评价函数变平坦，局部极值就更容易出现。而局部极值一多，算法就不得不在速度和稳定性之间反复纠结。

我遇到过最头疼的情况是：在 5 lux 下拍一个纯色墙面，信噪比极差，对比度几乎为零，评价函数是一条接近水平的线。这时候任何基于梯度的算法都白搭。后来我换了个思路——不依赖图像内容，改用主动式 AF（比如激光或 ToF）做粗定位，再用图像做微调。这个方案虽然增加了硬件成本，但效果确实好。

好了，这一章的内容就到这儿。四个挑战的底层逻辑你理解了，后面咱们再聊具体的调优方法和实战技巧。记住一句话：低光照下，别跟噪声硬刚，要学会跟它共存。