146、AI AWB方法：基于卷积神经网络的色温估计与场景分类调优
146、AI AWB方法：基于卷积神经网络的色温估计与场景分类调优
一、从一次翻车现场说起
去年做某旗舰机项目，实验室里AWB调得漂漂亮亮，DNP灯箱、X-Rite色卡、Macbeth checker全过。结果客户在东京街头拍了一组夜景——霓虹灯、LED广告牌、路灯混在一起，画面直接翻车：白色墙面变成了紫红色，人脸像刚从ICU出来。更离谱的是，同样的场景，用竞品手机拍出来白平衡居然稳如老狗。
拆开log一看，传统AWB的色温估计器把混合光源当成了单一色温，置信度还贼高。那一刻我意识到，靠几个色温区间和统计直方图打天下的时代，真的过去了。
二、传统AWB为什么搞不定复杂场景
传统AWB的核心逻辑其实很朴素：假设场景中白色区域的平均色度落在普朗克轨迹附近。基于这个假设，我们搞出了灰度世界、完美反射、色温查找表这些经典方法。但问题在于——现实世界根本不按这个剧本走。
举个真实案例：商场里的白色瓷砖，被暖色射灯和冷色天窗光同时照射，反射到sensor上的RGB值，既不在3000K的轨迹上，也不在6500K的轨迹上，而是落在两者之间的某个诡异位置。传统算法会强行找一个“折中”色温，结果就是两边都不讨好。
更头疼的是场景分类。传统方法靠统计特征（比如亮度直方图、饱和度分布）来区分室内/室外、白天/夜晚，但遇到“阴天的室内”这种边界场景，分类器直接懵圈。我见过一个项目，把透过蓝色玻璃拍的室内场景误判为室外阴天，AWB直接往冷色调猛拉，照片蓝得像阿凡达。