ISP论文解读 | 让AWB估计自己的估计的置信度（PR 2025）

📖 阅读提示

适合了解 AWB 算法的读者。

论文原文： Uncertainty Estimation in Color Constancy

前言

大部分白平衡算法都在解决一个问题：怎么把白点估得更准。我更关心的是 corner case：到底是算法没做好，还是观测本身存在歧义？

如果是 A 算法没做好的地方，B 算法行不行？

就比如纯色这种场景，企业一般考虑的第一个问题是：我该如何稳定地判断纯色场景？

本质上，就是算法的置信度问题。

高通或者海思的 ISP 基本都会利用有效像素数量、色度分布和经验区域等信息评估置信度。这些规则简单，但是有用，比如针对绿植场景，多年的积累生成了大量的 if-else，但是换其他的纯色场景就不太行。

有没有一种办法，能够直接计算出置信度，不要那么多经验参数在里面？

本文要介绍的这篇，就提供了一个视角。

名字是《Uncertainty Estimation in Color Constancy》[1]，作者是研究 AWB 的老朋友 Marco Buzzelli 和 Simone Bianco，发表于 Pattern Recognition 2025。它估计 uncertainty，其实反过来就是置信度，然后再据此选择算法结果。

01 方法

论文分别构造了三类不确定度，如下。然后得到一个总置信度。

第一种是输入扰动（Aleatoric）。给图像施加 RGB 色偏变换，比较前后的白点预测，以输出变化构造风险分数。

它其实看的是这个算法鲁棒性。

第二种是白点分布距离（Epistemic）。在色度空间比较预测白点与训练集 GT 白点的距离，偏离常见分布就提示风险。

相当于你在 tuning 时候调节的光源区域。如果超了，就判定高不确定，就是低置信区。这种方案也是当前调试重点采用的。

第三种是我觉得最好玩的——直接预测误差（Intrinsic）。以 FC4[2]＋Single Shot（SS）为例，网络同时输出白点和预计角误差。

图像 → 预测白点＋预计 angular error

训练时，将预测白点与 GT 比较，得到实际角误差，用它监督误差输出；同时保留白点损失，加入误差回归与相关性约束。推理时没有 GT，误差也只能由网络预测。

所以，这属于有 GT 监督的联合学习，不是循环论证。

但是需要关注的是两个任务会不会相互影响，以及误差预测在新场景中是否可靠。

02 结果

作者用 FC4＋SS 作为主算法；预测风险较高时调用轻量网络 Conv.Mean[3]＋SS，后者预测风险更低才替换结果。这是硬选择，不是软融合。

下面是 Gehler–Shi 上的 recovery angular error，单位为度，越小越好。

Q99 是误差的第 99 百分位，不是 Worst25% 的平均误差。

可以看到，对于差的结果其实有效，但不多 😄。

03 评价

虽然整体效果一般，但是我觉得这个思路的价值在于：不只估计白点，也尝试判断这个结果是否值得采用。

这比一些 fancy 的网络加上去然后提升了一些——但是又讲不清楚哪里提升的方法，好很多。

04 发散

一是置信估计本身的准确性。联合学习并不保证风险一定准确，需要关注“白点错了，风险却很低”的情况。

二是算法互补性。FC4 不行的场景其他算法行不行？那到底哪个算法能够弥补前者的短板？这取决于你对算法本质，特别是其局限性的理解。

参考资料

[1] Buzzelli M., Bianco S. Uncertainty Estimation in Color Constancy. Pattern Recognition, 160: 111175, 2025. DOI

[2] Hu Y., Wang B., Lin S. FC4: Fully Convolutional Color Constancy with Confidence-weighted Pooling. CVPR 2017.

[3] Gong H. Convolutional Mean: A Simple Convolutional Neural Network for Illuminant Estimation. BMVC 2019.

上期回顾： ISP论文解读 | 洛桑联邦理工：多光谱AWB，不只是多几个通道

下期预告： None