133、AI AWB：基于深度学习的色温估计与场景自适应白平衡调优一、一个让我半夜惊醒的调试案例2019年夏天，某旗舰机项目，客户反馈在商场暖色灯光下拍人像，人脸发黄得像得了黄疸。我们AWB团队调了三天三夜，从色温表标定到R/G、B/G增益曲线，能试的都试了。最后发现，问题出在传统AWB的“灰世界假设”上——商场里大面积的金色装饰和暖色灯光，让统计窗口里的像素点全偏暖，算法直接判定色温在2800K，然后拼命拉蓝色通道，结果人脸黄得更厉害。这个案例让我彻底明白：传统AWB的物理模型天花板太低了。从那以后，我开始死磕基于深度学习的AWB方案。二、传统AWB为什么越来越不够用先说说传统AWB那三板斧。灰世界法、完美反射法、色温估计法，说白了都是基于统计假设。灰世界假设场景平均色是灰色，完美反射假设场景里有白色参考点。这些假设在单一光源、中性色占主导的场景下还行，但遇到下面这些情况就崩了：大面积单色场景：比如一片绿草地、红色跑车，统计窗口里全是同色系，算法会误判为偏色混合光源：室内日光灯+窗外自然光，色温分布复杂，传统方法只能取一个折中值低照度场景：信噪比低，颜色信息被噪声淹没，统计结果随机性很大特殊光源：LED灯、霓虹灯的光谱分布不连续，传统色温表根本覆盖不了
