063、ISP的AI化改造：端侧神经网络替代传统模块去年夏天，我在调试一款车载环视系统的夜间成像时，遇到了一个让人抓狂的问题。传统ISP的3A算法在低照度场景下频繁失效——自动白平衡把路灯下的柏油路面调成了紫红色，自动曝光在车辆进出隧道时来回震荡，降噪模块把行人轮廓磨成了模糊的色块。更麻烦的是，这些模块的调参空间相互耦合：你调了降噪强度，自动白平衡的色温估计就漂了；你改了曝光目标亮度，自动对焦的对比度检测就乱了。这种“牵一发而动全身”的调试体验，让我在产线连续熬了三个通宵。后来我意识到，传统ISP的模块化架构虽然清晰，但每个模块都是基于固定物理模型的“盲人摸象”——自动白平衡假设光源是普朗克黑体，自动曝光假设场景亮度均匀，降噪假设噪声是高斯分布。现实世界的复杂光照、纹理和运动，远远超出了这些假设的覆盖范围。端侧神经网络的介入，本质上是在打破这些假设，让ISP学会“看”场景，而不是“算”场景。为什么传统模块到了天花板先说说自动白平衡（AWB）。传统方法依赖灰度世界或完美反射模型，核心是统计全图的R/G、B/G比值。但遇到大面积单色物体（比如红色跑车、绿色草坪），统计结果就会严重偏离真实色温。我见过一个极端案例：某款手机在拍摄红色消防栓时，AWB硬是把红色调成了粉色，因为算法认为“画面太红了，肯定是色温偏暖，要补偿”。自动曝光（AE）的问题更隐蔽。传统AE用直方图统计或平均亮度，配合权重矩阵来估计场景亮度。但夜间场景中，路灯区域和阴影区域的亮度差可能超过100倍，平均亮度法会把暗部压死，亮部过曝。更麻烦的是，AE和AWB之间存在隐式耦合：曝光时间变了