一、课程导论与RAW基础

1.1 什么是RAW格式？

各位同学好，我是这门课的主讲。在正式开始之前，我想先问大家一个问题：你手机或相机拍出来的照片，真的是「原始数据」吗？

答案是否定的。你看到的JPEG或者HEIC文件，其实已经经过了大量处理——白平衡、去马赛克、降噪、锐化、伽马校正……相机内部帮你做了一套完整的「后期流程」。而RAW格式，说白了就是把这些处理全部砍掉，只保留传感器最原始的电压读数。

我习惯把RAW比作「数字底片」。就像胶片时代的底片一样，它记录的是最原始的光信号，而不是最终的照片。每个像素点只记录一个颜色通道的强度——红色、绿色或蓝色，这叫做Bayer阵列。嗯，这里要注意，RAW不是一张完整的彩色图像，它是一堆单色像素的集合。

1.2 RAW与sRGB的区别

很多初学者会混淆这两个概念。我简单列个表，你一看就明白了：

对比维度	RAW	sRGB
位深度	12bit / 14bit（4096~16384级）	8bit（256级）
色彩空间	线性（与光强成正比）	非线性（伽马校正）
数据范围	0 ~ 16383（14bit）	0 ~ 255
存储格式	单通道Bayer模式	三通道RGB
处理状态	未处理	已处理（含降噪、锐化等）

为什么会这样？你想想看，sRGB只有256个灰度级，而RAW有16384个。这意味着RAW能记录更细腻的明暗变化。我在项目中遇到过一个问题：用sRGB图像做去噪，暗部细节全被压缩到0~10这个区间，噪声和信号几乎无法区分。但换成RAW数据，暗部可能分布在0~200的范围内，信噪比明显更好。

1.3 为什么在RAW域做去噪？

这个问题我经常被问到。我的回答很简单：因为噪声的「出生地」就在RAW域。

传感器上的噪声主要有几种：

• 读出噪声：读取电压时引入的电子噪声
• 散粒噪声：光子到达的随机性，服从泊松分布
• 暗电流噪声：热激发产生的电子
• 量化噪声：ADC转换时的舍入误差

这些噪声都是在RAW阶段产生的。一旦经过去马赛克、白平衡、伽马校正等处理，噪声的统计特性会被严重扭曲——它不再是简单的加性高斯噪声，而是变成了复杂的、空间相关的、非线性的噪声。这时候再去降噪，就像在打一个会变形的靶子，难度翻倍。

我建议所有做图像去噪的同学，都先问自己一个问题：我的噪声模型是什么？如果你连噪声的分布都不知道，那模型大概率是瞎蒙的。而在RAW域，噪声模型相对清晰——散粒噪声的方差等于信号强度，读出噪声是高斯分布。这些物理规律是可以数学建模的。

1.4 课程项目全景预览

这门课不是纯理论，我们会有完整的实战项目。下面这张图展示了整个课程的知识体系：

整个课程分为四个阶段：

1. 基础篇（第1-8章）：RAW格式解析、噪声建模、数据管线搭建。这部分我会带你手写一个RAW解析器，而不是用现成的库。
2. 算法篇（第9-18章）：从BM3D到深度学习，从U-Net到Transformer。每个模型我都会给出完整的PyTorch实现。
3. 实战篇（第19-25章）：用真实相机采集数据，训练模型，部署到移动端。这部分坑最多，我会把踩过的坑一一告诉你。
4. 进阶篇（第26-30章）：多帧融合、视频去噪、极端暗光场景。这些是工业级应用的核心。