📖 阅读提示

• 本文是专业解读，适合了解AWB/CCM的读者

前言

在上次文章中我们介绍了高饱和光源的色彩校正 ISP论文解读 | 三星：高饱和光源色彩校正 (WACV2026)，发现它效果的确可以，但是对于同色异谱问题，它从物理本质上就解决不了。

一个很有希望的技术是多光谱(MS,或者叫多通道)技术，本文即聚焦于此。这是多光谱（通道）色彩还原系列的第 4 篇文章，前几篇文章链接如下：

• 首次论证多光谱能够极大辅助 AWB 的：
  • ISP 论文解读|华为: 单像素多光谱AWB(IJCV 2024)
• 对 AWB 和 CCM 进行联合训练的：
  • ISP专题|多光谱图像颜色复制（2025WACV）
• 直接估计光谱的，并提供了一个真实多光谱数据集（但总是下载失败的）：
  • ISP论文解读|三星: 移动端真实多光谱数据集（WACV 2024）

本文的 motivation 是：多光谱（MS）信息如果只用于 AWB 是浪费的，应该辅助 CCM 一起使用，才能真正做好色彩还原。

和 ISP专题|多光谱图像颜色复制（2025WACV） 相比，其实思想一致，都是把AWB和CCM一起做。

不同的是，本文跳过显式 AWB 估计步骤（没有中间AWB Loss），直接使用 AWB + CCM 后的 XYZ 作为最终预测结果，并取得了不错的效果。下图展示的就是该方法和传统方案的对比，效果看起来提升显著。

📖 阅读提示 本文非常适合做 ISP 调试、效果认知相关工作的同学阅读，这是你们未来的工作方向。

前言

在实际 ISP 工程中，影调调教始终是一项高成本、强经验依赖的工作。

一款终端通常包含多颗摄像头，不同的 sensor 与 lens，在同一套 ISP 下往往会表现出明显的影调差异。

而在产品迭代过程中，又常常要求新一代在整体风格上与前一代保持连续性。这使得影调调教不仅关乎单点效果，更直接影响多摄一致性与代际风格继承。

当前主流做法，仍然高度依赖人工调试。

问题在于，影调调教本身并非完全不可建模。

在风格目标明确的前提下，其核心其实是一个"参数搜索与映射"的问题：如何在保证稳定性的同时，快速将不同硬件条件下的输出拉回到统一的风格空间。

本文解读的这项工作，正是围绕这一工程问题展开。

作者并未尝试用学习模型替代完整 ISP，而是在保留传统 ISP 框架的前提下，将影调相关模块结构化、可学习化，从而提升风格调教在多摄与跨代场景下的效率与一致性。

▲ 图 | ISP模块AI化然后联合训练，快速高效得到不同风格图片

本文名为 Modular Neural Image Signal Processing。乍看是一篇 AI-ISP 相关工作，但这并不是重点。

在我看来，它真正想做的，是 风格调教这件事本身——在已有风格目标的情况下，如何 更快、更稳定 地完成调教。

它的基本做法是，把与风格强相关的模块（如 tone mapping、color enhancement 等）网络化，将其视为 latent feature，通过 joint loss 进行端到端学习。

从而，在不同 sensor 条件下，可以更快地把输出风格对齐。

需要说明的是，论文并不是按照我这里的工程叙事来展开的，这是我自己的总结方式。原文行文更偏学术，因为上述问题本身过于工程化。

本文发表在 WACV（时间线上大概率是 2026），团队依然是 Mbrown，作者是我们的老朋友 Afifi。他博士毕业后先后在 Google、Apple 工作，现在回到三星。

📖 阅读提示

• 本文是专业解读，适合了解AWB/CCM的读者
• 关于CCM是啥，可以参考我7年前写的一篇文章（浏览器搜索：颜色校正矩阵（CCM）的算法设计)

前言

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。