有意思的不在于它又刷了一版盲去噪，而在于把一个默认属于「白平衡没估准」的现象重新定位成加性偏置问题——并且证明：把这个偏置塞进噪声模型里一起学，比不塞更糟。
暗部发紫是谁的锅
低光 RAW 去噪的流程是：减黑电平、按白电平归一化，再乘 100–300 倍曝光比把信号拉起来，送进网络。黑电平是传感器零光照下的读出值，写在 metadata 里；它主要随 ISO 变，但曝光时间和传感器温度也会让它漂——记录值与真实值的差，就是黑电平误差（BLE）。
关键是它的性质：这是零点上的偏置，不是增益上的比例误差。偏置在归一化时不会被约掉，随后被曝光比放大两三个数量级；作者又是逐 RGBG 通道独立建模它的，四个通道零点各偏一点，放大后就是明确的色度偏移。白平衡再对各通道不等量放大，把偏移撑得更开。暗部那层紫是零点错位被放大的产物，白平衡只是接盘的一环——论文把这条界线划得很清楚：曝光失配用乘性因子修正，黑电平误差是零点上的偏移量。
转折：拆出来，而不是学进去
顺理成章的是把 BLE 当噪声的一部分建模——Poisson-Gaussian 上依次加行噪声、量化噪声、再加全局偏置（PG → PGRQ → PGRQB）。结果在 ELD-Nikon 上 PGRQ 反而比 PGRQB 好：加了 BLE 建模，指标掉了。因为去噪网络被迫从逐块的局部信息里补一个全局量，补过头就出局部色斑。
作者把它拿出来：单独训一个 BLE 预测器（与去噪器共享 encoder，接 MLP 头），把黑电平误差当整图的全局标量回归出来，先修正 metadata 的黑电平、重新归一化，再交给一个不知道相机型号的去噪网络。训练数据全是合成噪声，参数从覆盖四款传感器的范围里独立采样，不需标定和配对数据。
ELD-Sony ×200 的 CIEDE2000 从 PGRQB 的 5.60 降到 4.16；ELD-Nikon ×200 上是 4.15，全表最低，压过标定过的 ELD（5.06）——因为该传感器缺暗阴影标定，标定模型也不显式处理 BLE。边界说清楚：它是盲方法里的最好水平，LRID 上与盲基线持平，整体仍低于多数标定方法。
第二个发现更值得警惕
作者顺手查了 SIDD——用了八年的手机去噪基准。真值靠多帧融合：先减黑电平并裁剪到 [0,1]，再对齐，再做鲁棒均值。问题出在算子顺序：暗区本就有一部分像素落在黑电平以下，先裁剪就把这条尾巴截掉，均值被逐通道抬高，渲染出来是一层紫。改成先平均、再减黑电平和裁剪，色偏基本消失。修正版 SIDD-CC 已放出，且在原始 SIDD 上训的 NAFNet 确实会把这层紫学进去。
这不是「SIDD 忘了减黑电平」，而是算子顺序本身就是色彩误差源。
迁移到哪里去
一是顺序：BLE 校正必须排在 AWB 之前。白平衡是乘性的，它会按通道增益放大零点误差而不是抵消。把暗部色偏丢给 AWB 或 CCM 去救，是在错误的环节找补。
二是数据审计：多光谱数据集、色卡实测、暗电流扣除里同样有「裁剪—平均—减基线」的顺序自由度。可复用的动作是把真值管线的算子顺序拉出来，问哪一步引入了截断。
三是全局量用全局方式估：整图共享的标量退化交给逐像素网络顺带学，容易出局部伪影，拆成显式参数回归更稳——这条对 AWB 同样成立。
局限
BLE 预测器依赖画面内容。论文给了失败案例：iPhone 16 Pro 正常光照低 ISO 下一张几乎无噪、也无黑电平误差的图，预测器凭空报了个 BLE，反而制造色偏。这模块只在训练过的低光区间守规矩，进量产 ISP 需要按 ISO 或曝光比开关的 gate。作者的缓解方案是拿目标传感器少量场景图稳定估计——已不完全是「免标定」。另外它只处理暗电流噪声的全局分量，固定模式噪声（FPN）未建模。