094、AWB的AI化实践——从灰度世界到语义分割驱动白平衡的演进，如何用场景语义修正色温估计偏差
去年秋天，我接手了一个量产项目的AWB疑难杂症。客户反馈，在傍晚的公园里，手机拍出来的天空是紫的，草地是黄的，人脸像得了黄疸。我们抓了log，看了统计值，色温估计在6500K到7500K之间疯狂跳变，AWB增益也跟着抖。最要命的是，这个场景里明明有大面积的绿色植被和天空，按灰度世界理论，RGB三个通道的均值应该趋于一致，但实际统计下来，G通道的均值明显偏低，R和B通道的均值被天空和草地拉得离谱。我当时的第一反应是检查统计窗口的权重配置，但翻遍了寄存器，发现权重没问题，问题出在统计本身——这个场景的“灰色”假设根本不成立。
灰度世界算法有个致命前提：场景中所有颜色的平均反射率是灰色的。但真实世界哪有那么多灰色？傍晚的公园，天空是橙红色的，草地是深绿的，人脸是偏黄的，这些高饱和度的颜色混在一起，平均下来根本不是灰色，而是偏暖的棕色。于是AWB算法就拼命往冷色方向拉，试图把这种“伪暖色”纠正回来，结果就是天空变紫、草地变黄。这就是灰度世界在复杂场景下的根因失效——它不是算法错了，是假设错了。
后来我们试了完美反射法，假设场景中最亮的点代表白色。但傍晚的公园里，最亮的点是天空的云彩，那云彩被夕阳染成了橙红色，完美反射法直接把这个橙红色当成了白色参考，色温估计直接崩到3000K以下。再试了动态阈值法，把像素按亮度分成多个区间分别统计，但问题依旧——因为场景里根本没有一个区间是真正的中性色。
那段时间我天天盯着色温曲线看，发现一个规律：当场景里出现大面积纯色物体时，传统统计法必然失效。纯色的草地、纯色的天空、纯色的墙面，这些在统计上都是“毒药”。而人眼之所以能准确判断白
