ISP论文解读：三星高饱和光源色彩校正（WACV 2026）

岳书威 included in Work

2026-01-14 164 words One minute

Contents

💡 微信公众号「ColorWorld花花世界」排版更佳，欢迎关注获取更好阅读体验

📖 阅读提示

大多数 ISP 中的 AWB 估计，采用的是一套非常工程化的范式：先在多个典型色温（通常 6–8 个）下完成标定，再以这些光源为中心，在色度空间中划定经验区域，最后统计落入该区域内的白点，用于计算 AWB gain。

稍微先进一些的方案，会使用 DNN 来预测白点位置，但其本质并没有发生变化——仍然是在 传统统计框架之上做加权或回归，并未改变问题的建模方式。

这一范式会遇到一个corner case： 真实光源并不总是落在这些经验区域之内。就是所谓的 off-the-planckian 情况，比如，高饱和 LED 光源（i.e., 舞台灯光）。

此种情况下，一方面，AWB 估计会因为"超出标定空间"而产生明显误差；另一方面，这个误差会继续传递到 CCM 阶段，最终导致整体色彩还原出现系统性偏差。

本文的重点是 CCM 阶段本身的建模问题。作者的motivation是：1. 传统 CCM 依赖 CCT 的1D插值，本身信息量不足；2. 也没有针对 off-the-planckian 光源进行任何显式建模。

因此，论文提出了一种 2D 建模CCM的思路。简单来说就是：他们收集了大量高饱和光源数据，用光源在 uv 空间中的位置作为输入，通过 MLP 学习一个 3×3 的颜色校正矩阵，并将其融合进传统 CCM 流程中。

从结果上看，在受控条件下，这一策略确实能够改善高饱和光源下的颜色还原。

图 | 传统1D和本文的2D CCM对比。可见对偏离黑体轨迹较远的高饱和光源来说，CCM后的颜色误差要小很多（越蓝误差越小）

这项工作来自 Michael S. Brown 团队，预计发表于 WACV 2026（不完全确定，我根据arxiv上线时间猜测的）。

图 | Overview。stage1是采集数据集，stage2是训练过程

如上图所示，整个方法分两阶段。

第一阶段是数据构造。

输入数据来自不同光源条件下拍摄的 24 色卡，唯一的硬性要求是光源具有较窄的光谱带宽，能够产生明显的高饱和偏色。作者对这些光源在 uv 空间中的分布进行了可视化，可以看到它们整体明显偏离黑体轨迹。

在这一阶段，光源的 RGB 值是已知的。

因此,可以直接进行手动白平衡。

GT 使用的是标准 D65 光源下的 XYZ 值，这部分是现成且确定的。

第二阶段是模型训练。

输入是AWB阶段得到的光源色度xy，输出是最后的pred XYZ和GT做loss
关键是，这个xy是怎么得到的呢？AWB只能得到illu.的RGB，而xy是要在XYZ中才可以！所以这里有个注意的地方是：它使用了所谓 From DNG Optimization，本质上是传统的CCM那一套，就是根据RGB和标定矩阵插值，得到光源的XYZ，再转为xy
随后，模型以 xy 作为输入，训练一个 MLP 输出新的 CCM，并作用在白平衡后的数据上，得到校正后的 XYZ，再与 GT 计算损失。

整个过程其实是有点绕。但如果你能理解的话，会发现：这是一种典型的 coarse-to-fine 设计：

论文在评估中同时使用了 Angular Error 和 ΔE 两个指标。

在作者自建的高饱和光源数据集上，模型表现出了明显优势。

然而，当模型迁移到其他数据集时，优势迅速减弱：

这种现象表明，该方法对数据分布高度敏感，泛化能力有限。

基本意味着 需要为不同模组单独训练模型。

Pros

Cons

既然目标空间是 XYZ，论文仍然强调 Angular Error(AE) 这一指标，本身是有些"讨巧"的，因为 AE 只关注颜色方向，不包含亮度信息。在数据上会比较好看。

虽然作者也报告了 ΔE，但可以看到其提升幅度明显不如 AE 那么显著。这在一定程度上说明，该方法在亮度维度上的鲁棒性存疑。

在高饱和光源条件下，真正困难的往往是 AWB，而本文默认 AWB 完全正确。那么，如果AWB估计有误，那么后面CCM越’精确’，是不是意味着色偏越厉害呢？有兴趣读者可以看原文消融实验。

误差有下降，下降的本质是数据集的扩充。

但是，物理决定了上限。如，同色异谱，解决不了：

图 | 窄带光带来的同色异谱问题。在第一行，RAW同色，异谱的两个色块（反射谱同色异谱），经过CCM后其差异会被进一步扭曲。而宽波段该问题不大。

因此，色彩还原最终仍然需要回到光谱层面。也正因为如此，多光谱色彩还原技术 才会成为一个绕不开的方向。

很巧，下一篇文章，同一个会议上，我们会从多光谱视角出发，看看它能否同时缓解 AWB 与 CCM 的问题。