ユーザーがスマートフォンやカメラを持ち上げて「自動モード」で素早く撮影すると、完璧に露出した、カラー精度の高い、鋭く焦点を当てた写真が即座に生成されます。 3Aは、Auto Exposure(AE)、Auto White Balance(AWB)、およびAuto Focus(AF)を指します。これら3つは、カメラ内蔵のプロの写真家のように動作し、常に変化する撮影シナリオに適応するために協力します。 3A algorithms イメージエンジニアにとって、3Aアルゴリズムの品質は、ユーザーの撮影経験を直接決定します。良い3Aシステムは、ユーザーが構成と感情表現に焦点を当てることを可能にします。逆に、未熟な3Aは、曝露エラー、奇妙な色、または頻繁な焦点外のショットにつながります。 AE(Auto Exposure):光を正確に測る方法 Auto Exposure(AE)の主な任務は、画像の明るさを制御し、フレームが過度に露出または過度に露出されていないことを保証することです。 測定モードの原則と課題 カメラの測定システムは、基本的な仮定に基づいており、すべてのオブジェクトが18%の反射率を持っていると仮定し、「中間灰色」です。全体のシーンの明るさがこの基準に匹敵すると、AEは正確な曝露パラメータを提供することができます。しかし、実際の世界は例外に満ちています。雪を撮影するとき(高反射率)、カメラは誤って曝露を減らし、白い雪を灰色に変え、黒猫を撮影するとき(低反射率)、それは曝露を増加させ、黒猫が灰色に現れる可能性があります。 複雑なシーンを処理するために、エンジニアはさまざまな測定モードを開発しました。 
 
 
 
 マトリックス/評価測定:これは最もインテリジェントで一般的に使用されているモードです。それはフレームを複数のゾーンに分割し、それぞれのゾーンの明るさ、色、そして焦点さえ独立して分析し、その後、広大な内部画像データベースと複雑なアルゴリズムを使用してバランスの取れた曝露値を計算します。 中心重量測定:このモードでは、フレームの中心部(約20～30%)の測定を優先し、周囲の明るさと重量平均を考慮しながらも適しています。 スポットメーティング:スポットメーティングは、フレームの中央の非常に小さな領域(約1〜5%)の光を測定し、他の領域を完全に無視します。 エンジニアの挑戦:ハイコントラストシーンを扱う 画像製品の開発における最大の課題の1つは、バックライトや日の出や日の入りなどの高コントラストシーンを処理することです。 良いAEアルゴリズムは、以下のように、これらのケースでより複雑な戦略を採用します。 
 
 
 
 シーン認識:AIを使用してシーンを「バッククリット肖像」または「日没」として識別し、特別な曝露曲線を適用する。 Face Priority AE: 顔が検出されたとき、背景が少し過度に露出された場合でも、顔の正しい露出を優先します。 HDR (High Dynamic Range) Fusion:複数の曝露を自動的にキャプチャし、ハイライトと影の両方で明確な詳細を含む1つの画像に合併します。 AWB(自動ホワイトバランス):カメラは光の色をどのように推測しますか? 自動ホワイトバランス(AWB)の目標は、異なる光源の色温度によって引き起こされる色の投与を修正し、白い物体があらゆる照明下で白く見えるようにすることです。 「グレーワールド仮定」から機械学習へ AWBの課題を理解するには、まずイメージ形成の物理モデルを把握する必要があります。センサーがキャプチャする「観察色」は、環境の「照明スペクトル」、オブジェクトの「表面反射」、およびセンサー自身の「センサー応答」曲線の産物です。 Observed Color = Illuminant Spectrum × Surface Reflectance × Sensor Response カメラは「観測された色」のみを測定することができ、AWBの目的は「照明スペクトル」をそれから導き直すことである。しかし、「表面反射」は不明であるため、これは古典的な「誤った問題」を構成する──直接解決できない複数の未知の方程式です。 したがって、従来のAWBアルゴリズムは主に統計的仮定に基づいています。 
 
 
 グレーワールド仮定:これは最も古典的な理論の1つであり、色豊かな画像では、すべての色の平均が中立グレーに向かって傾向することを仮定します。 Perfect Reflector/White Patch Assumption: この仮定は、画像の最も明るい点が白色であるべきであると仮定します。 しかし、これらの単純な仮定はしばしば失敗します。例えば、大きな緑の芝生では、グレーワールドの仮定は、緑を「中立化」するために赤を間違えて追加することができ、紫色の投与につながります。 エンジニアの挑戦:複雑な照明下の調節 上記の物理モデルの限界により、AWBの調節はイメージエンジニアリングの最も困難な側面の1つです。オフィスライト、ホームライト、または日没ライトなどの複雑な光源に対処するには、エンジニアは、光源の膨大なデータベースを構築しなければなりません。 
 
 
 Light Source Estimation: このアルゴリズムは、シーンの色分布特性を分析し、そのデータベースの何千もの光源モデル(例えば、D65の日光、Aの源の照明)とそれらを比較して、現在の環境光を「推測」します。  Since applying independent white balance correction to different regions of the image (i.e., regional white balance) carries a very high perceptual risk, easily leading to color artifacts or unnatural transitions, actual implementations often adopt the following strategies:
 
 Mixed Lighting Processing: 
 
 
  The algorithm estimates multiple potential light sources in the scene and calculates a "compromise gain" that balances color across all parts of the image. This method aims to maintain overall color continuity and naturalness, avoiding visual flaws caused by local corrections. Global Optimal Solution:  Utilizing AI scene recognition technology, the algorithm can identify key areas in the image, such as faces, skin tones, or specific objects. When calculating the global white balance gain, higher weights are given to these visual focal points to ensure the accuracy of the main subject's colors. Simultaneously, background areas may retain some ambient light atmosphere to achieve visual balance and naturalness. Semantic Weighting: 良い AWB システムは、一般的な光源の下で正確に動作するだけでなく、混合照明やモノクロマティックなシーンでは安定し、シーンが変化するにつれて色の変化を避ける必要があります。 AF(Auto Focus):スピードと精度の違い Auto Focus (AF) は、オブジェクトを鋭くするためにレンズを調整する責任を負います. 初期の「ハンティング」オートフォーカスから現在の「点とショット」の精度まで、AF テクノロジーは大きな進化を遂げています。 コントラスト検出AFからフェーズ検出AF(PDAF)へ 
 
 
 コントラスト検出AF:その原則は、イメージが最も鋭いときに焦点点の対比度が最も高いことである。カメラは、ピークの対比度を見つけるまでレンズを絶え間なく調節します。 フェーズ検出AF(PDAF): センサー上の特殊なピクセル構造(マイクロレンズの配列やマスクされたピクセルなど)を使用して、レンズの異なる領域(例えば、左と右)から来る光を分離し、二つの独立した画像を形成します。これらの二つの別々の画像間の相対的な移動(すなわち画像段階の差)を比較することで、アルゴリズムは、焦点が主体の前にあるいは背後にあるかどうか、そして焦点を達成するためにレンズが移動する必要がある距離を正確に決定することができます。 エンジニアの課題:焦点速度と精度のバランスをとる AFレンズドライバーの開発において、エンジニアにとっての核心的な課題は、スピードと精度のバランスをとることである。PDAFは信じられないほど速いものの、光とオブジェクトの対比性に一定の要件があり、従来のDSLRレンズは焦点転換の問題に苦しむ可能性があります。 したがって、現代のカメラは主に「ハイブリッド・オート・フォーカス」を採用し、以下の両方を組み合わせています。 
 
 
 First Step (Coarse Adjustment): PDAF を使用してレンズを焦点に近づける。 ステップ2 (Fine Adjustment) : 正確な焦点確認のためにコントラスト検出AFに切り替え、最適な鋭さを確保します。 結論:3Aの協力作業 - ミリ秒レベルのチーム努力 最後に、AE、AWB、およびAFは独立したモジュールではなく、 プロの写真チームを想像してください:シャッターを押す瞬間、ガーファー(AE)、カラーリスト(AWB)、カメラアシスタント(AF)は、完璧な写真を撮影するためにミリ秒以内に正確に通信し、調整しなければなりません。 Tightly Coupled Closed-loop Control System 実際の ISP では、3A モジュールはそのような効率的なチームとして機能します:各フレームの統計結果は、AE、AWB、および AF モジュールによって同時に使用され、次のフレームの決定に影響を与えます。 彼らは集団的に、単一のパラメータの極端ではなく、全体的な画像の品質の最適化を追求する。 Multi-variable Optimization Problem この高度に接続された性質はまた、エンジニアリングの課題をもたらします。ユーザーが暗く照らされた室内環境から明るく日照の屋外環境に移行するシナリオを考えましょう。カメラは非常に短期間で劇的な環境変化に適応しなければなりません。 AF が最初に対象にロックされても、AE があまりにもゆっくりと調整されると、画像は即座に過度に曝露する可能性があります。 
 
 
 System Oscillation: 全体のイメージングシステムは、調整中に、例えば、明るさや色がフレーム内で絶えずジャンプし、安定した出力ができません。 モジュール間の相互依存性により、よく調整されたメカニズムがなければ、システムは最適な曝露、ホワイトバランスを達成するのに時間がかかることがあり、ユーザー体験に深刻な影響を与える可能性があります。 したがって、トップレベルの3Aシステムは、各モジュールの精度と効率性を確保するだけでなく、訓練を受けた写真チームと同様に、相互作用を微妙にバランスを取る必要があります。AFは主体をロックし、AEは主体と環境に基づいて照明を調整し、AWBはシーンのための最も正確な色を生成します。近年、メーカーはまた、深層学習を使用して3Aアルゴリズムをより正確に「カメラマンの意図を理解」し、環境の変化を予測することを可能にするAI技術を統合し始めました。 プレビュー:ISPと画像品質の詳細な見方 この記事では、3Aアルゴリズムがカメラの「意思決定インテリジェンス」として機能する方法を調べ、曝露、ホワイトバランス、焦点に重要な役割を果たしています。しかし、センサーによってキャプチャされた原料データから私たちに提示された素晴らしい写真に至るまで、画像信号プロセッサ(ISP)によってオーケストラ化された複雑で精密な処理ステップのシリーズがあります。次の記事では、ISPの謎を明らかにし、ISPがどのように原料データを可視画像に変換し、デモサイク、デノイズ、シャープニング、カラーマッピングなどの主要なモジュールに浸透するかを調査します。これらのプロセス後のステップの画像品質への影響と、画像エンジニア

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

このオーディオは、ストーリーの元の言語で制作されています。

画像エンジニアのノート Part 3: Inside the Camera’s 3A “Decision Intelligence”

About Author

コメント

ラベル

この記事は

Related Stories

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

State of the Noonion: A New Era For Brands and Writers

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

State of the Noonion: A New Era For Brands and Writers

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps