200、未来影像质量趋势：计算光学、神经渲染与实时感知评价上个月在调试一款车载环视系统的夜间成像时，我遇到了一个让人挠头的现象——ISP端已经把所有传统调优手段用尽了：降噪强度拉到极限、HDR融合权重调了三轮、甚至把sensor的模拟增益压到了最低，但输出的图像在边缘处总有一种“塑料感”，像是被磨砂玻璃糊了一层。更诡异的是，把同样的raw数据丢进一台实验室里的原型机，跑了一套基于神经渲染的算法，出来的效果居然能看清对面车牌上的螺丝钉。这个对比让我意识到，过去十五年我们引以为傲的“调参艺术”——从AE/AWB到3A合一的经验公式，从去马赛克到锐化的滤波器设计——正在被一种全新的范式碾压。这不是渐进式的优化，而是底层逻辑的替换。今天这篇笔记，我就把最近半年在计算光学、神经渲染和实时感知评价这三个方向上踩过的坑、悟到的道，掰开揉碎讲清楚。计算光学：把物理限制变成可优化的参数传统影像系统的设计逻辑是“先造镜头，再调算法”。镜头设计阶段，工程师用Zemax或者CodeV把球差、色差、畸变压到某个阈值以下，然后交给ISP去“擦屁股”。这种分工在十年前没问题，但现在sensor的像素密度已经逼近物理极限，镜头的光学设计成本却在指数级上升——一颗手机镜头的光学元件从5片涨到7片，成本翻倍，但MTF的提升可能只有5%。计算光学的思路恰恰相反：故意让镜头“不完美”，然后通过算法在数字域里把缺陷补回来。比如，允许镜头有较大的色差，但在sensor端用多光谱滤光片阵列记录不同波长的信息，再通过一个端到端训练的神经网络把色差校正和去马赛克合并成一个步骤。这里踩过坑：我一开始尝试把色