181、白平衡实战：灰度世界模型与AI AWB在复杂光源下的精度调优上周五晚上十点，我盯着实验室的监视器，一台手机在商场混合光源下拍出的照片，白平衡飘得离谱——暖色射灯打在冷白LED上，画面一半发黄一半发蓝，像被人用两种滤镜各切了一半。客户那边的QA直接截图发群里：“这玩意儿能上市？”我看了眼日志，灰度世界模型算出的R/G增益是1.8，G/B增益是0.9，理论上应该偏暖，但实际画面冷色区域反而被拉成了青色。这种场景，灰度世界模型基本是送人头。灰度世界模型为什么在复杂光源下翻车灰度世界模型的核心假设是：场景中所有颜色的平均反射率是灰色的。换句话说，把整张图所有像素的R、G、B分别求平均，然后让这三个平均值相等，就能算出白平衡增益。这个假设在自然光、单一光源下勉强能用，但遇到混合光源、大面积单色物体（比如一面红墙、一片绿草地），直接崩。我踩过最深的坑是在一个博物馆场景里，展品是大量蓝色瓷器，背景是暖色射灯。灰度世界模型把蓝色区域当成“偏蓝”，拼命压低蓝色增益，结果背景暖色被拉成了紫色，蓝色瓷器变成了灰蓝色。后来我查了当时的调试日志，R/G增益被压到了0.6，G/B增益被拉到了1.5，整个画面像得了黄疸。更麻烦的是，灰度世界模型对光源色温的估计本质上是统计平均，它无法区分“场景本身是蓝色”和“光源是蓝色”。比如拍一片蓝天，模型会认为光源偏蓝，强行把蓝色压掉，结果天空变成灰白色。这种问题在安防监控里尤其致命——户外场景经常有大面积天空、草地、水面，灰度世界模型基本是负优化。实战中灰度世界模型的改进技巧