信号处理

作者：王超, 谭旭东, 袁家康, 陈涛

关键词：自动曝光, 目标亮度预测, 物理感知, 三流解耦架构, 容差优化

自动曝光（Auto-Exposure， AE）作为成像系统的核心前置环节，直接决定了图像的亮度均衡性与高层视觉任务的精度。然而，现有技术仍面临严峻挑战：传统规则算法受限于“语义鸿沟”，难以应对复杂光照下的语义歧义；而端到端深度学习方案往往沦为缺乏物理约束的“黑盒”，且存在显著的时域不稳定性。针对上述问题，本文提出了一种物理感知的白盒化自动曝光框架——PhysAEC（Physical Auto-Exposure Control）。不同于传统的参数回归或图像增强策略，本文创新性地将AE核心挑战重定义为“多重目标亮度预测（Multi-Target Luma Prediction）”任务，旨在为图像信号处理器（Image Signal Processor，ISP）控制回路提供兼具语义适应性与物理可解释性的最优曝光锚点。PhysAEC采用三流解耦架构（Three-Stream Decoupled Architecture）实现异构信息的同构融合：RGB语义流提取高层场景先验以消除逆光等场景的语义歧义；Raw域的空间网格流（Grid）与全局直方图流（Histogram）则分别提供精准的局部光强分布与动态范围边界约束。此外，针对连续推断中的时域震荡难题，本文结合光度控制的迟滞特性提出容差感知损失（Tolerance-Aware Loss，TAL），通过优化目标层面的物理正则化，有效抑制了微小波动引发的参数跳变。在构建的包含 10000 组高质量样本的Balanced-AE-Dataset上的实验表明，PhysAEC 综合预测准确率高达94.05%，平均绝对误差（Mean Absolute Error，MAE）从21.12骤降至2.53；在复杂高动态场景下，重建图像的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）达到38.98 dB，结构相似性指数（Structural Similarity Index，SSIM）达到0.994。结果证明，该方法成功实现了语义理解能力与物理控制鲁棒性的有机统一，确立了ISP底层控制任务的新范式。

来源： 2026年第4期

《信号处理》期刊编辑部

查看信号处理杂志 2026年第4期