095、深度学习AF：基于CNN的焦点预测与端到端对焦策略优化
去年在调试某款旗舰手机的前置摄像头时，遇到一个让人抓狂的问题：用户在暗光下自拍，AF反复拉风箱，就是找不到焦点。传统反差式AF在低照度下对比度信号太弱，相位检测点又不够密，算法在模糊区域来回试探。当时团队里有人提议上深度学习，我第一反应是“别闹，AF要实时，模型跑得动吗？”结果真试了，效果出乎意料——不仅对焦速度从1.2秒压到0.3秒，而且暗光场景下几乎零拉风箱。
传统AF的痛点：为什么需要深度学习
先说说传统AF的硬伤。相位检测AF（PDAF）依赖专用像素，这些像素只占全像素的5%-10%，在低照度下信噪比急剧下降，检测到的相位差全是噪声。反差式AF（CDAF）需要爬山搜索，每步都要抓图计算对比度，速度慢不说，遇到纹理稀疏的区域直接死循环。激光/TOF辅助对焦在远距离下精度崩盘，而且成本摆在那。
更致命的是，传统AF本质上是“盲人摸象”——它不知道场景是什么，只知道当前焦点的清晰度指标。如果场景本身就没有高频纹理（比如纯色墙壁、天空），任何算法都白搭。深度学习AF的思路是：让模型“看”懂场景，直接预测最佳焦点位置，而不是傻乎乎地搜索。
CNN焦点预测：从图像到焦点的映射
我们的方案分两步走：先用CNN从单帧图像预测最佳焦点位置，再把这个预测结果作为初始点，做小范围的精细搜索。这里的关键是训练数据的构建。
数据采集：最坑的环节
别想着用公开数据集，AF数据必须和实际
