传感器物理与噪声模型：CMOS传感器工作原理、光子噪声与读出噪声

做RAW域去噪，你首先得搞清楚——噪声到底是从哪来的？

很多人一上来就调网络、改loss，结果效果上不去。为什么？因为你连噪声的“脾气”都没摸透。我个人习惯，拿到一个RAW图，第一件事不是跑模型，而是先分析它的噪声特性。这就像修车，你得先听发动机的声音，不能上来就拆零件。

CMOS传感器工作原理

先简单过一下CMOS传感器是怎么工作的。你想想看，光线打到像素上，光子被光电二极管吸收，转化成电子。这些电子被收集、存储，然后通过模数转换器（ADC）变成数字值。整个过程，说白了就是“光子→电子→电压→数字”的链条。

但问题来了——这个链条的每一环，都会引入噪声。

我在项目中遇到过一种情况：同一款传感器，在不同温度下拍出来的暗电流噪声能差好几倍。嗯，这里要注意，温度是噪声的放大器，尤其是长曝光场景。

光子噪声（泊松分布）

光子噪声，也叫散粒噪声。它是物理极限，你躲不掉的。

为什么？因为光子的到达是随机的。打个比方，你站在雨里，每秒钟落在你头上的雨滴数不是固定的，有时多几滴，有时少几滴。光子也一样，即使光源完全稳定，每个像素接收到的光子数也会波动。

这个波动服从泊松分布。泊松分布有个重要性质：均值等于方差。也就是说，信号越强，噪声也越强。

数学上，如果真实光子数为λ，那么实际观测到的光子数k的概率为：

P(k) = (λ^k * e^(-λ)) / k!

噪声的标准差就是√λ。信噪比（SNR）呢？SNR = λ / √λ = √λ。所以信号越强，信噪比越高。这就是为什么暗光下噪声特别明显——光子太少，信噪比太低。

读出噪声（高斯分布）

读出噪声是传感器在读取电荷、放大信号、模数转换过程中引入的噪声。它和信号强度无关，基本上是固定的。

读出噪声通常服从高斯分布，均值为0，方差为σ²。它的来源包括：

• 复位噪声：像素复位时，电容上的电压波动
• 放大器噪声：源跟随器、列放大器等电路的热噪声
• 量化噪声：ADC将模拟信号转为数字值时产生的舍入误差

读出噪声的单位通常是电子数（e⁻），或者用DN（数字值）表示。好的传感器，读出噪声可以低到1-2 e⁻；差一点的，可能到10 e⁻以上。

噪声模型数学表达

把上面两种噪声合在一起，就得到了经典的泊松-高斯噪声模型：

观测值 = 真实信号 + 光子噪声 + 读出噪声

数学上：
y = x + n_p(x) + n_g

其中：
- y: 观测到的像素值
- x: 真实信号（光子数）
- n_p(x): 光子噪声，服从泊松分布，方差 = x
- n_g: 读出噪声，服从高斯分布，方差 = σ²

实际应用中，我们通常用近似模型：

y ≈ x + √(x) * ε_p + σ * ε_g

其中 ε_p ~ N(0,1), ε_g ~ N(0,1)

这个近似的好处是，把泊松噪声变成了信号相关的加性高斯噪声。虽然不精确，但计算方便，很多去噪算法都用它。

更精确的做法是方差稳定变换（VST），比如Anscombe变换，把泊松-高斯噪声转换成近似的高斯噪声。我在做传统去噪算法时经常用这招，但在深度学习时代，我建议直接让网络学习这个噪声分布，效果更好。

知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个“噪声地图”，以后遇到RAW图，按图索骥就行。

这张图把CMOS传感器的噪声来源、分布特性、以及最终的数学模型串在了一起。你仔细看，左边是光子噪声，右边是读出噪声，它们在底部汇合成泊松-高斯模型。这就是我们做RAW域去噪的理论基础。