一句话： VLM-CC 这篇论文有意思，不是因为它又做了一个 AWB 网络，而是因为它把色彩恒常从“一次性估计光源”改成了“先修一下，再让大模型评审颜色还偏不偏”的反馈闭环。
传统 AWB/Color Constancy 通常从 RAW 图像里直接估计场景光源，然后做线性校正。这个路线在单一相机上可以做得很强，但跨相机时容易掉性能：不同 sensor 的 spectral sensitivity、CFA、color matrix 和 ISP rendering 都会把同一个场景变成不同的颜色分布。模型学到的不是“光源”，而是某台相机的颜色习惯。
VLM-CC 的转向很清楚：不要让 VLM 直接吐一个精确光源 RGB。作者先用当前估计做一次 white balance，把 RAW 渲成 pseudo-sRGB；再让 LoRA 微调过的 VLM 看这张图，判断残余色偏主要是 red、green 还是 blue；最后把这个判断映射成 chromaticity space 里的更新方向，进入下一轮迭代。
这个设计的关键，是把大模型放在“感知评审器”的位置。它不是替代 ISP 的低层估计器，而是利用语义和常识去判断：纸张是不是还发黄，天空是不是不自然，皮肤是不是还带绿，画面里的中性物体是否真的中性。人手动调白平衡时，本来也不是盯着 RAW RGB 数字调，而是不断看“这张图还偏不偏”。VLM-CC 把这个人类调色动作工程化了。
从应用上看，它最值得发散的地方不是手机里又多一个 AWB 模块，而是跨设备色彩一致性。比如多机位直播、手机/相机混拍、博物馆数字化、电商商品图、医疗/工业记录影像，这些场景都不只需要“单张图好看”，更需要不同设备拍出来的颜色能互相对齐。传统做法依赖标定、灰卡、color checker 或 camera-specific tuning；VLM-CC 暗示了一条新路线：让模型在渲染后的公共视觉空间里做语义反馈，减少对单台相机响应曲线的绑定。
当然，它还不能被神化。VLM 对精细颜色的数值判断并不天然可靠，论文也指出必须做针对性的 LoRA 微调；而且 red/green/blue 三类残余色偏还是比较粗的控制信号。复杂混合光、局部照明、强材质反射、舞台灯、夜景霓虹这些场景，远不是一个全局 illuminant 能覆盖的。
但这篇论文给了一个很好的方向：大模型进入影像系统，不一定要从端到端替代 ISP 开始。更现实的方式，是先进入“判断、反馈、解释、选择”的环节。对于色彩还原尤其如此：未来的系统可能仍然由传统 ISP 做高效、可控、物理一致的底层处理，而由 VLM/MLLM 判断画面是否符合语义颜色、用户意图和跨设备一致性，再把反馈交还给 ISP 或后期 pipeline。
这才是“大模型 + 影像”真正值得跟的地方：不是把每个低层模块都换成大模型，而是让模型成为影像链路里的感知控制层。
论文信息
- 论文：White-Balance First, Adjust Later: Cross-Camera Color Constancy via Vision-Language Evaluation
- 作者：Shuwei Li, Lei Tan, Robby T. Tan
- 机构：National University of Singapore; ASUS Intelligent Cloud Services
- arXiv：2605.19613
- 代码：论文页面标注将发布在 NothingIknow/VLM-CC