095、深度学习AF：基于CNN的焦点预测与端到端对焦策略优化

095、深度学习AF：基于CNN的焦点预测与端到端对焦策略优化去年在调试某款旗舰手机的前置摄像头时，遇到一个让人抓狂的问题：用户在暗光下自拍，AF反复拉风箱，就是找不到焦点。传统反差式AF在低照度下对比度信号太弱，相位检测点又不够密，算法在模糊区域来回试探。当时团队里有人提议上深度学习，我第一反应是“别闹，AF要实时，模型跑得动吗？”结果真试了，效果出乎意料——不仅对焦速度从1.2秒压到0.3秒，而且暗光场景下几乎零拉风箱。传统AF的痛点：为什么需要深度学习先说说传统AF的硬伤。相位检测AF（PDAF）依赖专用像素，这些像素只占全像素的5%-10%，在低照度下信噪比急剧下降，检测到的相位差全是噪声。反差式AF（CDAF）需要爬山搜索，每步都要抓图计算对比度，速度慢不说，遇到纹理稀疏的区域直接死循环。激光/TOF辅助对焦在远距离下精度崩盘，而且成本摆在那。更致命的是，传统AF本质上是“盲人摸象”——它不知道场景是什么，只知道当前焦点的清晰度指标。如果场景本身就没有高频纹理（比如纯色墙壁、天空），任何算法都白搭。深度学习AF的思路是：让模型“看”懂场景，直接预测最佳焦点位置，而不是傻乎乎地搜索。CNN焦点预测：从图像到焦点的映射我们的方案分两步走：先用CNN从单帧图像预测最佳焦点位置，再把这个预测结果作为初始点，做小范围的精细搜索。这里的关键是训练数据的构建。数据采集：最坑的环节别想着用公开数据集，AF数据必须和实际