文章有点标题党，但是Google 无疑是当今公布了手机相机算法技术最多的厂家，从Google 的Paper 中我们也能大致了解当前计算摄影学最热门的技术细节。以下是2019年 Google Marc Levoy 团队的三篇个人认为比较重要的文章：
　　
　　1.Handheld Mobile Photography in Very Low Light
　　
　　2.Learning Single Camera Depth Estimation using Dual-Pixels
　　
　　3.Handheld Multi-Frame Super-Resolution
　　
　　还有两篇比较实用的文章：
　　
　　4.Distortion-Free Wide-Angle Portraits on Camera Phones
　　
　　5.STEADIFACE: REAL-TIME FACE-CENTRIC STABILIZATION ON MOBILE PHONES
　　
　　本片先介绍文章1，剩余的会继续介绍。文章1主要解释了“超级夜景”的原理，也就是以前Google HDR+（图1）的升级版，其中HDR+在公众号往期文章“Google Pixel3 拍照为什么那么牛？”中介绍过

                    图1
　　
　　先上效果，图2 左边是Google 2016年HDR+ 的效果，右图是最新的效果。

               图2
　　
　　如果假设我们就是Google 的工程师，让我们来改进2016的文章我们应该怎么来改进呢？首先看下现在的问题缺陷：
　　
　　问题1：需要进一步提高信噪比，才能提高图像亮度等等，不然就会增强噪声，如图3。
　　
　　问题2：进一步提升夜间白平衡的准确度，且白平衡和对比度是需要尽量和人眼的感知一致，保证真实性，比如图4。

　　
　　方案1.1：如何尽可能提升曝光时间？
　　
　　其中问题1 的改善，从原理上来讲无所谓就是提高sensor的整体曝光量或者改善算法效果，但是想在手机上提高曝光时间而不导致人像模糊只有一种办法：
　　
　　多帧合成时尽可能提高静态帧（不运动帧）的曝光时间
　　
　　但是此时问题又来了，该如何判断当前帧是不怎么运动的呢，Google 给了如下方法？

　　
　　简单概括为：
　　
　　l  使用MPI-Sintel 光流求得相对运行情况 ，图6
　　
　　l  然后使用GMM 模型来预测下一帧的运动情况
　　
　　l  读取陀螺仪信息数据

              图6
　　
　　方案1.2：如何提升算法效果？
　　
　　该类提升是根据之前的问题进行算法的修改，核心还是判断那块运动了哪块没动，没动的尽量提升temper denoising；动了的地方提升spatially denoising，但是也稍微平衡一下temper的力度：
　　
　　n  提高匹配的准确度：如低照度下，增加block matching 时的block size等（肯定还用了更多方法）
　　
　　n  修改多帧融合的权重计算方法等
　　
　　方案2：
　

                     图7
　　
　　因为人眼有如图7中的各种非线性毛病,从亮度和色彩上去改善为：
　　
　　Ø  1. 使用人眼感觉舒服的图像数据去训练AWB （FFCC）算法（修改了AWB 的 Error metrics）。
　　
　　Ø  2. 根据亮度分布的tone mapping 算法
　　
　　原则为：
　　
　　ü  在保证噪声不提升的情况下，尽可能提升gain
　　
　　ü  保证全局对比度，即暗区不要增亮太多比如图8 的（b）就不好
　　
　　ü  抑制高亮区域不要过曝
　　
　　ü  根据亮度调整饱和度
　　
　　ü  有luma shading也挺好看

　　
　　1小时通篇文章看下来：思维导图为下：