1、课程导论：暗光拍摄的痛点与去噪算法概览
大家好，欢迎来到这门课。
先问一个问题：你拍过暗光照片吗？
肯定拍过。晚上聚餐、夜景打卡、演唱会现场……掏出手机，咔嚓一张。结果呢？满屏噪点，细节糊成一片。我见过太多人，包括我自己，第一反应就是「这照片废了」。
但真的废了吗？
其实不一定。今天这节导论，我就带你看看暗光拍摄到底「痛」在哪，以及我们有哪些「药」可以救。
1.1 暗光拍摄的三大痛点
说白了，暗光环境就是「光不够」。光不够，相机就得想办法。但办法总伴随着代价。
- 痛点一：噪点爆炸
光线不足时，传感器信号弱。为了把信号放大，相机就得提高ISO。结果呢？噪点跟着一起放大。你想想看，本来画面里只有一点点噪声，ISO一拉高，噪声也跟着放大好几倍。我在项目中遇到过，一张ISO 6400的照片，放大到100%看，简直像撒了一把盐。 - 痛点二：细节丢失
噪点多了，算法就会尝试「抹掉」它们。但去噪和保留细节，天生就是一对冤家。抹得太狠，纹理没了，画面像油画。抹得不够，噪点还在。我刚开始做图像处理时，总想两头兼顾，结果两头都做不好。 - 痛点三：色彩偏色
暗光下，不同颜色通道的信噪比不一样。尤其是蓝色通道，通常最弱。这就容易导致整体偏色，比如偏紫、偏绿。嗯，这里要注意，偏色有时候比噪点更让人头疼，因为后期调色很难完全拉回来。
核心矛盾： 暗光拍摄的本质，是在「信号弱」和「噪声强」之间找平衡。你不可能既要高ISO的快门速度，又要低ISO的画质。这就是物理限制。
1.2 去噪算法的演进脉络
去噪不是新问题。从胶片时代就有了。但真正让去噪「起飞」的，是深度学习。我个人习惯把去噪算法分成三代：
| 代际 | 代表方法 | 核心思路 | 缺点 |
|---|---|---|---|
| 第一代 | 均值滤波、高斯滤波、中值滤波 | 用邻域像素的平均值或中值代替当前像素 | 抹细节，边缘模糊 |
| 第二代 | BM3D、NLM（非局部均值） | 在整张图中找相似块，加权平均 | 计算慢，对纹理复杂场景效果一般 |
| 第三代 | DnCNN、FFDNet、CBDNet、U-Net | 用卷积神经网络学习噪声分布，端到端去噪 | 需要大量训练数据，对未知噪声泛化差 |
你看，从「简单粗暴」到「找相似块」，再到「让网络自己学」，这条路走了几十年。我最早做项目时，用的还是BM3D。那时候觉得这算法真牛，直到后来接触了DnCNN……嗯，只能说，没有对比就没有伤害。
1.3 为什么深度学习能「拯救」暗光照片？
你可能会问：传统方法做了那么多年，为什么深度学习一上来就碾压了？
原因其实很简单：传统方法是在「猜」噪声的分布。比如高斯滤波假设噪声是高斯分布，但实际噪声哪有那么听话？暗光下的噪声，往往是高斯噪声+泊松噪声+固定模式噪声的混合体。
而深度学习呢？它不猜。它直接看数据。你给它一万张「干净图+噪声图」的对子，它自己就能学会噪声长什么样。说白了，就是「见多识广」。
一个小技巧： 如果你自己训练去噪模型，千万别只用合成噪声数据。我曾经试过，模型在合成数据上效果惊艳，一到真实暗光照片就翻车。后来我学乖了，一定要混入真实拍摄的噪声对，哪怕数量少一点，效果也稳得多。
1.4 本章知识体系总览
为了让你对整门课有个全局感，我画了一张图。这张图就是我们的「作战地图」。
这张图把整门课的逻辑串起来了。从输入到痛点，再到三代算法，最后落到核心挑战和输出。你会发现，所有去噪算法都在做同一件事：在「去噪」和「保细节」之间找一个最优解。
1.5 这门课你会学到什么？
我不打算只讲理论。那没意思。我会带着你：
- 手写一个简单的去噪网络——从零搭建，理解每一层的作用。
- 用真实暗光数据训练模型——我踩过的坑，你就不用再踩了。
- 部署到移动端——毕竟，谁会在电脑上修图？手机才是主战场。
- 调优技巧——比如怎么在去噪的同时保留头发丝、树叶纹理这些细节。
避坑指南： 我曾经在项目里直接拿公开数据集训练，结果模型在室内暗光下效果很好，一到室外夜景就崩了。为什么？因为公开数据集的噪声分布和真实场景不一样。所以，后面我会专门讲「如何构建自己的暗光数据集」，这是实战中最关键的一步。
好了，导论就到这里。从下一节开始，我们就要真正动手了。先别急，把这张知识体系图记在脑子里，后面每一章都会对应到图上的某个节点。
记住一句话：暗光拍摄不是废片，只是还没「救」回来。