其他挑战
虽然上面描述的基本思路听起来很简单,但是当开发Night Sight时没有太多光线被证明具有挑战性时会有一些问题:
1.自动白平衡(AWB)在低光照条件下失败。
人类擅长色彩恒定 - 即使在彩色照明下(或佩戴太阳镜时)也能正确感知事物的颜色。但是当我们在一种照明下拍照并在不同的光线下观看时,这个过程就会崩溃; 照片看起来会给我们着色。为了校正这种感知效果,相机会调整图像的颜色,以部分或完全补偿照明的主色(有时称为色温)),有效地移动图像中的颜色,使其看起来好像场景被中性(白色)光照亮。此过程称为自动白平衡(AWB)。
问题在于白平衡是数学家称之为不适定问题的。这样的雪真的是蓝色的吗?还是白色的雪被蓝天照亮?可能是后者。这种模糊性使白平衡变得困难。在非夜视模式下使用的AWB算法很好,但在非常昏暗或强烈色彩的照明(想想钠蒸汽灯)中,很难确定照明的颜色。
为了解决这些问题,我们开发了一种基于学习的AWB算法经过培训,可以区分白平衡的图像和不平衡的图像。当捕获的图像不平衡时,算法可以建议如何移动其颜色以使照明看起来更中性。训练此算法需要使用Pixel手机拍摄各种场景,然后在彩色校准显示器上查看照片时手动校正其白平衡。您可以通过使用Pixel 3比较使用两种方式捕获的相同低光场景来查看此算法的工作原理:
左: Pixel的默认相机模式下的白平衡器不知道温哥华海滨这个小屋的照明黄色(这里是全分辨率图像)。右图:我们基于学习的AWB算法做得更好(此处为全分辨率图像)。