3、AF算法核心指标：对焦速度、对焦精度、对焦稳定性、重复性、低照度性能、HDR场景适应性

做AF调优这些年，我最大的感受是：没有完美的对焦算法，只有最适合场景的妥协。你不可能让一个算法在所有指标上都拿满分，就像你不能让一辆赛车同时拥有越野车的通过性。

今天我们就来拆解AF算法的六大核心指标。这些指标，说白了就是衡量一个对焦系统好不好的尺子。我习惯把它们分成两类：性能类（速度、精度、稳定性）和场景类（重复性、低照度、HDR）。

3.1 对焦速度：用户感知的第一道门槛

对焦速度，就是镜头从当前位置移动到目标位置所用的时间。用户按下快门，如果等半秒才合焦，体验直接归零。我见过太多项目，算法精度做得极高，但速度慢得像蜗牛，最后被用户骂成筛子。

影响速度的因素有三个：

• 搜索策略：全局搜索还是局部搜索？爬山法还是二分法？
• 步长设计：大步长跑得快，但容易过冲；小步长精度高，但慢。
• 马达响应：VCM马达和步进马达的响应延迟不同，算法要适配。

3.2 对焦精度：合焦的「准」到底怎么定义？

精度，说白了就是镜头停在的位置到底离真正的合焦面有多远。我们通常用MTF（调制传递函数）或者对比度值来量化。

精度不是越高越好。你想想看，如果要求精度达到1个码盘步长，马达可能来回振荡都停不下来。我一般建议：

• 拍照场景：精度控制在3-5个步长内，人眼基本看不出差异
• 视频场景：精度可以放宽到5-8个步长，但稳定性要求更高

3.3 对焦稳定性：别让画面「呼吸」

稳定性，就是镜头到达目标位置后，能不能稳稳停住，不来回抖动。这个问题在视频对焦中尤其致命——画面一抽一抽的，用户直接晕菜。

为什么会抖动？原因有两个：

1. 过冲回摆：镜头冲过头了，又往回找，来回几次才稳定
2. 噪声干扰：评价函数在合焦附近太平坦，算法找不到明确峰值

我处理过一个案例：某款手机在暗光下视频对焦，画面一直「呼吸」。查了两天，发现是评价函数的窗口太小，噪声被放大了。把窗口扩大30%，问题解决。

3.4 重复性：同一个场景，对焦结果一样吗？

重复性，就是多次对焦同一目标，镜头停的位置是否一致。这个指标很容易被忽视，但用户感知很强——拍十张照片，九张清楚一张模糊，用户会骂「什么破相机」。

重复性差的原因：

• 马达的机械回差（backlash）
• 评价函数的随机噪声
• 搜索起始位置不同导致收敛到不同局部极值

指标	优秀	及格	不合格
重复性（步长）	≤2	≤5	>5
测试方法	同一场景对焦20次	同一场景对焦10次	—

3.5 低照度性能：暗光下的「盲人摸象」

低照度下，传感器信噪比急剧下降，评价函数变得「毛刺」很多。说白了，就是算法看不清目标了。

我常用的优化手段：

• 增大评价窗口：更多的像素参与计算，平滑噪声
• 降低搜索步长阈值：避免被噪声误导
• 增加帧累积：多帧平均，提升信噪比

但要注意，帧累积会降低速度。暗光下我一般把帧累积数设为2-3帧，再多用户就感觉卡顿了。

3.6 HDR场景适应性：高动态范围的「两难」

HDR场景，就是画面中同时有极亮和极暗的区域。比如逆光人像，人脸暗、背景亮。这时候评价函数会出问题——亮部对比度高，暗部对比度低，算法容易被亮部「带偏」。

我的做法是：

1. 分区评价：把画面分成多个区域，分别计算对比度
2. 权重分配：中心区域权重高，边缘权重低
3. 动态窗口：根据场景亮度分布，自动调整评价窗口位置

3.7 指标间的权衡：一张表说清楚

优化方向	速度	精度	稳定性	重复性	低照度	HDR
增大步长	↑	↓	↓	—	↓	↓
增加帧累积	↓	↑	↑	↑	↑	—
扩大评价窗口	↓	↑	↑	↑	↑	↓
增加滞回区	↓	—	↑	↑	↑	—

这张表是我自己总结的。你看，没有一个操作能让所有指标都变好。调优就是做选择题——根据产品定位，选你最看重的两三个指标，其他的能及格就行。