📖 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。