092、激光/ToF辅助对焦的"多传感器融合"——什么时候信ToF什么时候信PDAF？从距离置信度到场景分类的决策树去年秋天，我在调试一款旗舰机的前置自动对焦，客户投诉说暗光下自拍总是糊。我们用的是PDAF加ToF的方案，按理说ToF在暗光下应该能兜底。但现场复现时发现一个诡异现象：手机离人脸30厘米时对焦很准，退到50厘米就开始拉风箱，再远一点反而又好了。查日志发现，ToF模块在50厘米处输出的距离值跳变特别大，从45厘米到70厘米来回蹦，而PDAF的相位数据其实很稳定。当时团队里有人提议直接降低ToF权重，结果暗光下近距离对焦又变慢了。这个案例让我意识到，多传感器融合不是简单的加权平均，而是要在正确的时间信任正确的传感器。先聊聊ToF和PDAF各自的“性格缺陷”。PDAF本质上是个相对测量，它告诉你的是“当前镜组位置离合焦位置差多少”，但这个差值需要换算成绝对距离才能驱动马达。换算依赖镜头标定曲线，温度变化、镜头磨损、甚至手机摔过一下，曲线就偏了。所以PDAF的短处是“绝对精度差，但重复性好”——同一个场景下，你连续测十次，它给的相位差几乎不变，但那个值对应的真实距离可能已经偏了5%。ToF正好相反，它测的是光子飞行时间，绝对距离准，但容易受环境光干扰、被摄物体反射率影响，而且测量噪声大。同一个场景下，ToF可能这次给50厘米，下次给52厘米，再下次给48厘米，均值准但方差大。所以核心矛盾就出来了：PDAF是“稳但可能系统性偏”，ToF是“准但随机跳”。融合的关键不是选一个更准的，而是判断当前场景下哪个的“误差模型”更符合实际。我后来总结了一个经验法则：当PDAF的相位差数据在连续几帧内变化小于某个阈值时，说明场景纹理稳定，PDAF的重复性优势能发挥出