069、AWB的AI化实践——从灰度世界到语义分割驱动白平衡的演进，基于MobileNet-SSD的人脸/天空/绿植区域加权上个月在调试一款国产车规级ISP时，客户反馈了一个极其刁钻的场景：傍晚六点半，车辆从高架桥下驶出，前方是逆光的晚霞，两侧是绿化带，车内后视镜上挂着一个毛绒玩具。样机拍出来的画面，人脸蜡黄，天空发灰，绿植偏品红——三个区域没有一个是对的。我把AWB的统计窗口拉出来看，R/G和B/G的散点图全挤在低色温区，灰世界算法直接给了一个5000K左右的折中值，结果就是谁也不讨好。这个场景让我意识到，传统基于灰度世界或白点检测的AWB，在语义信息丰富的真实场景里已经撞上了天花板。灰度世界假设"整幅画面的平均色是灰色"，这在纯色块场景下勉强成立，但一旦画面里同时存在大面积天空、植被和肤色，这个假设就崩了——因为天空的蓝色和植被的绿色在统计上会互相拉扯，最后给出一个物理上正确但感知上完全错误的色温。问题驱动：为什么灰世界算法在语义场景下必然失效先看一个更基础的数学事实。灰度世界算法本质是求解一个对角矩阵，使得校正后图像的RGB均值相等。这个解在数学上唯一，但物理上往往不是我们想要的。比如一个以蓝天为主的画面，B通道均值天然偏高，算法会强行压低蓝色，结果天空变成惨白。更麻烦的是，当画面里同时存在多个语义区域时，灰度世界给出的解是这些区域的"统计平均"，而人眼感知的却是"每个区域各自的白平衡"。我在调试那辆样车时，把AWB的统计网格从16x16细化到64x64，发现高架桥阴影下的路面区域色温大约在6500K，而晚霞区域只有3500K，绿化带在5000K左右。一个全局增益矩阵