三大模式分组详解：去暗组、去亮组、对比组各自处理什么素材

一、为什么需要"分组"：动态范围的三段式切分

真实场景的动态范围常常远超单张传感器的记录能力。以典型室内逆光窗景为例，窗外天空亮度可达 10⁴ cd/m² 量级，而室内暗角可能只有 10⁻¹ cd/m²，两者相差五个数量级（来源：Debevec & Malik, 1997, SIGGRAPH；Reinhard 等, 2010, High Dynamic Range Imaging, 2nd ed.）。单帧 8bit 图像只有 256 级，14bit RAW 也只有 16384 级，直接压缩必然在某一段牺牲细节。

工程上最朴素也最有效的应对方式，就是按曝光把素材分成三组：欠曝组（去亮组）、正常/中灰组（对比组）、过曝组（去暗组）。这个命名看似口语化，实则对应了三条完全不同的信号处理任务：

本文评述：这套分组之所以流行，本质是把一个高维的"曝光-亮度"映射问题，降维成三个一维子问题。每一组只关心动态范围的一段，算法复杂度大幅下降，也便于并行处理。但它并非万能——当场景动态范围集中在某一小段（如纯夜景），三组素材的曝光间隔若设置不当，会出现"信息重叠"或"信息断层"。这一点后文会给出量化判据。

1.1 分组思想的直观类比

可以把三组素材想象成三把不同量程的尺子：去暗组是"放大镜"，专门看清暗处；去亮组是"减光镜"，专门看清亮处；对比组是"标准尺"，负责整体比例。任何一把尺子单独用都不够，必须协同。这个类比在 Debevec 的经典 HDR 采集流程中已有雏形（Debevec & Malik, 1997），但当时并未明确"分组"概念，而是统一做响应曲线标定。本文评述：分组化的价值在于把标定问题局部化，允许每组使用不同的响应模型，这在移动端 ISP 流水线里尤其重要。

二、理论溯源：从Retinex到曝光融合的谱系

要理解三大分组，必须先理解它们背后的两条理论主线：一条是 Retinex 系的"照度-反射"分解，另一条是曝光融合系的"多曝光加权"。

2.1 Retinex：把亮度拆成照度与反射

Land 与 McCann 在 1971 年提出 Retinex 理论（Land & McCann, 1971, JOSA），核心假设是：人眼感知的亮度 = 照度分量 × 反射分量。照度是缓慢变化的低频，反射是携带纹理的高频。去暗组的本质，就是估计并补偿照度分量中的暗区增益。

经典实现包括单尺度 Retinex（SSR）、多尺度 Retinex（MSR）和带色彩恢复的 MSRCR（Jobson 等, 1997, IEEE TIP）。MSR 用多个高斯核分别估计照度，再对数域相减。本文评述：Retinex 的工程价值在于它天然适合"去暗"——暗区照度低，补偿增益大，但对高光几乎无能为力，因为高光区照度估计容易溢出。这解释了为什么去亮组很少直接用 Retinex，而更多依赖曝光融合或色调映射。

2.2 曝光融合：Mertens 框架及其变体

Mertens、Kautz 与 Van Reeth 在 2007 年提出经典曝光融合框架（Mertens 等, 2007, Pacific Graphics），用对比度、饱和度、曝光适中度三个权重，对多曝光图像做拉普拉斯金字塔融合。这套方法不需要相机响应曲线标定，直接端到端出图，成为移动端 HDR 的主流方案之一。

后续变体包括：基于引导滤波的快速融合（Li 等, 2013, ICME）、基于结构块分解的融合（Ma 等, 2017, IEEE TIP）、以及近年基于深度网络的融合（Prabhakar 等, 2017, IEEE TIP 的 DeepFuse；Liu 等, 2022, IEEE TIP 的 MEF-Net）。

本文评述：Mertens 框架的"曝光适中度"权重，实际上隐含了分组思想——它偏好中灰区域，对过暗和过亮都降权。这意味着如果素材分组不当，融合结果会偏向对比组，去暗组和去亮组的贡献被稀释。工程上常见的"融合后暗部还是脏"问题，根源往往在此。

2.3 色调映射算子：全局与局部

色调映射（Tone Mapping）负责把 HDR 压到 LDR。全局算子（如 Reinhard 2002 的全局版、Drago 2003 的对数映射）计算快但易丢局部对比；局部算子（如 Durand & Dorsey 2002 的双边滤波、Fattal 2002 的梯度域）保细节但易产生光晕。

本文评述：色调映射与三大分组是"上下游"关系——分组决定喂什么素材，色调映射决定怎么压。很多团队把两者混为一谈，导致调参时顾此失彼。笔者认为，正确的做法是先固定分组策略，再在每组内部独立选色调映射算子，最后做一致性校正。

三、去暗组：暗部信噪比重建的素材与算法

去暗组处理的是"暗部信息不足"的素材。它的目标不是简单提亮，而是在提亮的同时抑制噪声、恢复纹理、避免色偏。

3.1 什么素材进"去暗组"

判定标准有三条，建议同时满足：

• 直方图左峰显著：亮度直方图在 0–64 区间占比超过 35%（模拟阈值，基于对 500 张室内逆光样本的统计，来源：笔者整理的公开数据集 COCO 子集模拟统计）。
• 暗区信噪比低：暗区（亮度 < 0.15）的局部方差中位数高于 0.008，说明噪声主导。
• 存在可恢复纹理：用边缘检测（Canny, 1986, PAMI）在暗区能检出连续边缘，否则提亮只会放大噪声。

典型素材：夜景街道、室内暗角、逆光人像的背光面、地下车库、烛光晚餐场景。

3.2 算法路径：从Retinex到暗通道先验

去暗组的算法谱系可以分成三代：

第一代：直方图均衡与Gamma。全局直方图均衡（HE）计算简单，但会过度拉伸暗区噪声。CLAHE（Zuiderveld, 1994, Graphics Gems IV）用分块限制对比度，是工程上更稳的选择。Gamma 校正（γ < 1）提亮暗部，但线性拉伸会同时抬高高光。

第二代：Retinex系与暗通道先验。MSRCR 在暗区表现稳健，但计算量大。He 等 2011 年提出暗通道先验（He 等, 2011, PAMI），原本用于去雾，后被广泛借用到去暗——因为暗通道本质是"局部最小值"，与暗区估计高度相关。Dong 等 2011 年将其改造为去暗增强（Dong 等, 2011, ICIP），通过反转图像 + 去雾实现低光增强。

第三代：深度学习。Lore 等 2017 年提出 LLNet（Lore 等, 2017, CVPR Workshops），用堆叠稀疏去噪自编码器同时做提亮和去噪。Chen 等 2018 年提出 Retinex-Net（Chen 等, 2018, BMVC），把 Retinex 分解与增强拆成两个子网。Guo 等 2020 年提出 Zero-DCE（Guo 等, 2020, CVPR），用无参考损失直接估计像素级曲线，无需配对数据，工程落地性极强。近年扩散模型也被引入，如 Jiang 等 2023 年的 DiffLL（Jiang 等, 2023, arXiv）。

本文评述：去暗组的算法演进有一条清晰主线——从"全局统计"走向"局部先验"，再走向"数据驱动"。但笔者认为，纯数据驱动在暗部容易产生"塑料感"，因为网络倾向于用平滑先验填补噪声。工程上更稳的做法是"物理先验 + 网络残差"：用 Retinex 或暗通道给出粗估计，网络只学残差，既保纹理又控噪声。

3.3 去暗组的工程要点

实操中，去暗组最容易踩的坑是"提亮过度导致色偏"。原因是暗区三通道噪声分布不均，R 通道通常噪声更大，提亮后偏红。建议步骤：

1. 先做色度降噪（chroma denoise），再做亮度提亮，顺序不能反。
2. 提亮曲线用分段 Gamma，暗段（0–0.2）用 γ=0.6，中段（0.2–0.6）用 γ=0.85，避免整体发灰。
3. 提亮后做一次局部对比度恢复（unsharp mask，半径 1.5px，强度 0.3），补回被平滑的纹理。
4. 最后做色温锁定，以对比组的中灰为基准做白平衡对齐。

拓展阅读：OpenCV 官方 CLAHE 教程 docs.opencv.org/4.x/d5/daf；Zero-DCE 官方仓库 github.com/Li-Chongyi/Zero-DCE。

四、去亮组：高光细节回收的素材与算法

去亮组处理的是"高光溢出"的素材。它的难点在于：一旦像素值达到传感器满阱，信息就永久丢失，任何算法都无法凭空恢复。因此去亮组的核心不是"恢复"，而是"从欠曝素材中回收"。

4.1 什么素材进"去亮组"

• 直方图右峰堆积：亮度 > 0.9 的像素占比超过 8%，且存在大片连续高光区。
• 高光区梯度缺失：高光区内部梯度接近 0，说明已饱和。
• 欠曝素材可对齐：存在同场景欠曝帧，且配准误差小于 0.5px。

典型素材：天空云层、太阳直射区、金属反光、水面波光、LED 灯源。

4.2 算法路径：高光回收与反饱和

曝光融合路线：把欠曝帧的高光区与正常帧做加权融合。Mertens 框架的"曝光适中度"权重天然偏好欠曝帧的高光区。工程上常用拉普拉斯金字塔，层数 5–7 层，权重图做高斯平滑避免接缝。

反饱和路线：对已饱和像素，用邻域色度信息做"去饱和补偿"。经典方法是把高光区的色度向白色收敛，避免出现彩色光斑。这在手机夜景模式里很常见。

深度学习路线：Afifi 等 2021 年提出高光去除网络（Afifi 等, 2021, CVPR），用配对数据训练。近年扩散模型也被用于高光重建，如 Guo 等 2023 年的工作（Guo 等, 2023, arXiv）。

本文评述：去亮组的最大误区是"试图从单帧恢复饱和高光"。从信息论角度，饱和像素的熵已归零，单帧恢复本质是幻觉（hallucination）。笔者认为，工程上必须明确：去亮组的输入必须是多帧素材，单帧场景只能做"高光柔化"而非"高光恢复"。这一点在学术论文里常被模糊处理，值得警惕。

4.3 去亮组的工程要点

1. 欠曝帧的曝光间隔建议 2–3 EV，过小则高光回收不足，过大则噪声明显。
2. 融合前必须做运动配准，建议用光流（Farnebäck, 2003, SCIA）或特征点（SIFT, Lowe, 2004, IJCV）。
3. 高光区融合权重建议用"亮度倒数"而非"亮度适中度"，更符合物理。
4. 融合后做一次高光滚降（highlight rolloff），避免硬切边。

拓展阅读：HDR 融合原理讲解 cambridgeincolour.com/tutorials/hdr-software.htm。

五、对比组：中灰层次与全局对比重构

对比组是三大分组里最容易被忽视、却最关键的一组。它负责"锚定"整体影调，是去暗组和去亮组的参考基准。

5.1 什么素材进"对比组"

• 中灰占比高：亮度 0.3–0.7 区间占比超过 45%。
• 直方图分布均匀：无明显左右峰，熵值高。
• 主体清晰：主体区域对比度适中，纹理完整。

典型素材：产品摄影、人像正面、室内平光场景、文档扫描。

5.2 算法路径：局部对比与全局对比

全局对比：用 S 曲线（如 Reinhard 2002 的全局算子）压缩动态范围，提升整体反差。S 曲线的拐点位置决定中灰的对比强度。

局部对比：用双边滤波（Durand & Dorsey, 2002, SIGGRAPH）或引导滤波（He 等, 2013, PAMI）分解基础层与细节层，对基础层压缩、对细节层增益。这是"去灰"的核心手段。

深度学习路线：近年有基于 U-Net 的对比增强网络，如 Chen 等 2022 年的工作（Chen 等, 2022, IEEE TIP）。

本文评述：对比组的价值在于"提供参考"。去暗组提亮后，需要以对比组的中灰为基准做亮度对齐；去亮组回收高光后，需要以对比组的色温为基准做白平衡对齐。笔者认为，很多 HDR 流程失败，不是去暗或去亮算法不行，而是缺少对比组这个"锚"。没有锚，三组素材各说各话，融合结果必然不一致。

5.3 对比组的工程要点

1. 对比组素材必须"曝光正确"，建议用斑马纹或直方图确认中灰落在 0.45–0.55。
2. 局部对比增强强度建议控制在 0.2–0.4，过高会产生光晕。
3. 对比组不做大幅提亮或压暗，只做微调，保持其"基准"属性。
4. 三组融合后，用对比组做一次全局一致性校正。

六、分组判定流程：可落地的操作路径

理论讲完，落到工程。下面给出一套可直接实现的判定流程，输入是一组多曝光素材，输出是每张素材的分组标签。

6.1 判定流程图

输入：N 张同场景多曝光素材
  │
  ├─ 步骤1：计算每张的亮度直方图与熵
  │
  ├─ 步骤2：按中灰占比排序，选占比最高者为"对比组"
  │
  ├─ 步骤3：对剩余素材，计算暗区占比
  │     ├─ 暗区占比 > 35% → 去暗组
  │     └─ 否则 → 继续
  │
  ├─ 步骤4：计算高光占比
  │     ├─ 高光占比 > 8% → 去亮组
  │     └─ 否则 → 丢弃或归入对比组
  │
  └─ 步骤5：输出分组标签 + 曝光间隔检查
        └─ 若相邻组曝光间隔 < 1.5 EV，提示"信息重叠"
        └─ 若 > 4 EV，提示"信息断层"

6.2 判定阈值来源说明

上述阈值（35%、8%、1.5 EV、4 EV）来自笔者对公开数据集（COCO 2017 子集、MIT-Adobe FiveK、RAISE）的模拟统计，属于工程经验值，非严格学术结论。实际项目建议根据传感器特性重新标定。

本文评述：阈值不是越精确越好。工程上更看重"鲁棒性"——阈值应留出缓冲带，避免素材在边界反复跳组。笔者建议用"双阈值 + 滞回"策略：进入去暗组用 35%，退出用 30%，减少抖动。

七、工程参数表与调参策略

下面这张表汇总了三组素材的推荐参数，可直接作为调参起点。

7.1 调参顺序建议

1. 先定对比组，锁定中灰与白平衡。
2. 再调去暗组，以对比组中灰为基准对齐亮度。
3. 最后调去亮组，以对比组色温为基准对齐色彩。
4. 三组融合后，做一次全局一致性校正（亮度、色温、对比）。

本文评述：调参顺序比参数值更重要。很多团队一上来就调去暗组，结果对比组一变，前面全白调。笔者认为，"先锚后调"是这套分组方法能落地的关键纪律。

八、数据集与预处理细节

训练或评测三大分组算法，离不开合适的数据集。下面列出常用数据集及其预处理要点。

预处理通用步骤：

1. RAW 转线性空间，保留 16bit，避免过早量化。
2. 做镜头阴影校正与暗电流扣除。
3. 多帧素材做配准，建议用 ECC（Evangelidis & Psarakis, 2008, PAMI）。
4. 按分组标签切分训练集/验证集，避免同场景泄漏。
5. 数据增强：随机曝光偏移（±0.5 EV）、随机裁剪、水平翻转。

本文评述：数据集预处理里最容易被忽略的是"配准"。多曝光素材若配准不准，融合必然重影。笔者认为，配准精度应控制在 0.3px 以内，超过 0.5px 建议丢弃该素材。

九、前沿进展与AIGC时代的演进预判

三大分组方法并非终点。近三年，随着扩散模型、神经辐射场（NeRF）和 3D 高斯泼溅（3DGS）的兴起，素材分组正在被重新定义。

9.1 扩散模型带来的"生成式补全"

扩散模型（Ho 等, 2020, NeurIPS）在图像生成上的能力，让"去暗"和"去亮"有了新思路：不再从多帧融合，而是从单帧"生成"缺失细节。代表工作包括 DiffLL（Jiang 等, 2023）、StableLLVE（Hou 等, 2024, arXiv）。

本文评述：生成式补全的诱惑在于"单帧出片"，但风险在于"幻觉"——生成的细节可能不存在。笔者认为，在新闻、取证、医疗等场景，生成式补全应被严格限制；在消费摄影场景，可作为可选增强。

9.2 NeRF与3DGS：分组从2D走向3D

NeRF（Mildenhall 等, 2020, ECCV）和 3DGS（Kerbl 等, 2023, SIGGRAPH）让多视角素材可以重建 3D 场景。此时"分组"不再按曝光，而是按视角 + 曝光联合分组。HDR-NeRF（Huang 等, 2022, arXiv）和 HDR-GS（Cai 等, 2024, arXiv）已开始探索。

本文评述：3D 场景下的分组复杂度呈指数上升，因为曝光、视角、光照三者耦合。笔者认为，短期内工程落地仍以 2D 分组为主，3D 分组更适合离线重建场景。

9.3 端侧NPU与实时分组

随着手机 NPU 算力提升（如高通 Hexagon、苹果 Neural Engine），实时分组与融合成为可能。2024 年多篇工作探索了量化后的轻量分组网络（如 MobileIE, 2023, arXiv）。

本文评述：端侧实时分组的关键不是算法精度，而是"延迟预算"。笔者认为，分组判定应在 5ms 内完成，融合在 20ms 内完成，才能满足 30fps 预览需求。

十、总结与操作清单

三大分组不是玄学，而是对动态范围的三段式工程切分。去暗组管暗部信噪比，去亮组管高光回收，对比组管中灰锚定。三者协同，才能出一张影调一致、细节完整的图。

最后，笔者想强调：分组是手段，不是目的。目的是让每一段动态范围都有合适的素材和算法去处理。理解了这一点，具体用 Retinex 还是扩散模型，用双边滤波还是引导滤波，都是可替换的实现细节。