潜在读者：

• 本文是专业解读，适合于研究ISP色彩还原算法的工程师和研究人员
• 其他感兴趣的读者可以参考快速导读和最后的评论做一个直觉上的理解

推荐时长： 1-30分钟

前言

这是多光谱AWB系列文章的第三篇，其实按照发展顺序，它应该是第一篇。这篇论文首次从实验上严谨地证明了多光谱AWB在干扰色（无灰点）场景下的可行性，奠定了后续研究的基础。

快速导读

这篇论文的提出，可能是促使业界认真考虑多光谱AWB应用的重要契机。

Low level vision本身存在巨大价值，但是研究缺乏新意，核心原因之一——简单的问题都研究完了，剩下的都是corner case。大部分论文都是在普通场景里往上提点，核心难点依然解决不了，这一定程度上造成了学术和业界的割裂。

对于AWB来说，Gray World都风行了三十年了，芯片中虽然各种变体，但本质还是这个算法，核心是它稳定。但是即便能够cover 90%的场景，遇到纯色，多光源，工程师再调试，也只是在一些常见记忆色场景有点用，比如室外大面积绿色之类的。调试的方式往往是针对常见记忆色做点补偿，看似奏效，但本质上还是人工在全局最优上"凑"出来的。问题始终存在，因为方法的物理原理本身就走不通。

本文首次尝试用光谱的思路来解决**干扰色（无灰点）**场景下的AWB问题，其动机逻辑可以分为三步：

1. RGB的局限

仅凭RGB三通道不足以准确表征光源信息。比如，它无法区分LED与日光等具有明显光谱差异的光源，在干扰色的场景下尤其容易失效。

2. 场景平均光谱与光源的关联

作者利用单点多光谱传感器，获得了场景的平均光谱响应（即物体反射率 × 光源光谱 × 传感器光谱灵敏度的积分）。结果发现，这个平均光谱的形态与真实光源光谱非常接近：图中黑色实线为真实光源，虚线为传感器测得的平均光谱。

这说明：通过场景平均光谱来推测光源是可行的。多通道传感器测得的就是场景平均光谱的采样，这样就引入了多通道传感器。

3. 关键通道与光谱指纹

进一步的实验表明，并非所有光谱通道同等重要。作者采用"逐一去掉单通道，再观察误差变化"的方法发现：某些特定通道一旦缺失，误差会大幅增加（提升幅度在30%–300%之间）。

这意味着，少数关键波段即可承担区分光源的主要作用，它们可以被视作光源的**“光谱指纹”**。

由此，作者得出几个关键结论：

• 多通道采样能够有效表征光源信息，即便在无灰点场景下也同样适用
• 少数关键通道即可形成光源的"指纹"，无需完整光谱
• 在获得多通道平均光谱后，只需选择合适的回归模型，就可以推断出光源白点

接下来，论文的重点就转向：如何在实际条件下构造这些光谱信息，并基于此验证上述假设。

01 方法

由于我们手头只有RGB图像，为了验证前面提出的光谱假设，作者的核心工作就是构造一个"伪多光谱数据"流程。整体逻辑分为四步：

1. 反推光源光谱

已知输入为RAW-RGB、white point、sensor SPD（光谱灵敏度曲线）以及候选光源光谱集合。通过这些信息，可以从RGB数据反推出可能的光源光谱。