有意思的地方不在于「又做了一个 sRGB 转 RAW」，而在于它挑明了一件被长期含糊处理的事：从成品图反推 RAW 根本不是一个逆问题，而是每台相机各一个逆问题。原因是色彩机制层面的——不同相机的光谱敏感度（spectral sensitivity）不同，同一束光在各自传感器上被积分成不同的 RGB，于是每台相机的原始色空间是被自己那套 QE 曲线「切」出来的一块不同的锥体。用一个统一网络硬拟合，等于把好几套互相冲突的颜色映射平均掉。
问题背景
RGB→RAW 这几年火，是因为 RAW 域训练数据太贵：检测、去噪、HDR 想在传感器线性域做，却几乎没有带标注的 RAW。于是大家想用海量 sRGB「反渲染」出 RAW 来补数据。难点有二：一是 ISP 是有损且高度非线性的（色调映射、gamut 压缩、白平衡都不可逆），二是跨相机——A 机的 sRGB 反推出的必须是 A 机的 RAW，不能串味。这正是色彩科学里跨设备一致性的老问题，只是方向反了过来。
方法的关键转折
SpiralDiff（天津大学，CVPR 2026）把这件事写成相机条件下的扩散生成，两个转折点值得看：
- CamLoRA：不为每台相机训一个模型，而是共享一个扩散主干，只挂一枚轻量 LoRA 承载相机特有的 ISP 特性。换句话说，把「相机身份」压缩进一小撮低秩参数里，一模型多机，靠 LoRA 在不同原始色空间之间切换。
- 信号相关的噪声加权：还原保真度按像素亮度自适应——亮部暗部的重建难度本就不同，让扩散在不同强度层用不同权重收敛。
- 一个容易被忽略但很对味的细节：它直接读 RAW 元数据里的拍摄白平衡系数做 ISP 仿真，而不是再估一遍白平衡。这一步把 AWB 的误差从还原链路里摘掉，颜色因此更忠实——对做白平衡的人来说，这是个干净的解耦。
论文在四个基准上验证，并用下游 RAW 目标检测的涨点来佐证还原出的 RAW 是「能用的」，代码已开源。
应用发散
对影像工作流，最直接的是跨相机 RAW 数据合成：一枚 LoRA 就能把某台新机的原始色空间「学」进来，为它凭空造出成千上万张 RAW 训练样本，省掉重新采集标注。往色彩这边引申，CamLoRA 本质上是把相机的颜色渲染特性参数化了——这套「用一小撮参数编码相机身份」的思路，可以迁到跨设备 CCM 预测、跨相机 color constancy 的相机指纹，甚至反过来给光谱敏感度估计当先验。而「读元数据白平衡、不重估」的解耦习惯，值得任何 RAW 域生成任务照抄。
局限与存疑
它和我们之前读过的 RawGen 是同月的两条路：RawGen 走 sRGB/文本→XYZ latent→任意相机 RAW 的解耦生成，SpiralDiff 走的是忠实的跨相机 RGB→RAW 转换，靠 CamLoRA 适配——目标不同，别混。存疑处也在这：CamLoRA 依赖每台目标相机有一小批配对 RAW 才能微调，真正「零样本上新机」还没解决；扩散反推出的 RAW 颜色是否在色度上可信，论文用检测涨点旁证，但缺 ΔE、跨光源的直接色彩误差评估——对把它当色彩 GT 用的人，这一步得自己补。