CIRAWFilter()曝光机制解析及视频端匹配其效果的技术求助

核心原理差异 #

• Raw照片处理逻辑：CIRAWFilter() 是在Raw解码阶段直接操作传感器输出的12-16位线性光数据，曝光调整是对线性亮度值进行运算，同时内置了基于Raw特性的高光恢复算法——利用Raw数据中未过曝的通道信息（比如RGB某通道未过曝时，通过插值重建其他过曝通道），所以能修复严重过曝区域。
• 视频处理局限：视频是经过解码后的8/10位伽马压缩数据（多数为sRGB或Rec.709伽马空间），CIExposureAdjust 只是对伽马空间的像素值做简单乘法，亮部像素值接近上限时会直接截断，无法恢复过曝细节，且伽马空间的亮度是非线性的，调整曝光的精度远低于线性域。

具体实现思路 #

1. 切换到线性光空间处理曝光 #

视频端不要直接用 CIExposureAdjust，先将视频帧从伽马空间转换为线性光空间，再做曝光调整，最后转回伽马空间：

• 使用Core Image的 CIGammaAdjust 滤镜反向转换（伽马值设为1/2.2左右，对应sRGB伽马），得到线性光数据；
• 对线性数据进行曝光调整（直接乘以曝光系数，类似Raw处理的线性运算）；
• 再用 CIGammaAdjust 转回伽马空间（伽马值设为2.2）。

2. 加入高光压缩/重建逻辑 #

模拟 CIRAWFilter 的高光修复能力，针对线性空间中接近过曝阈值的像素做非线性压缩：

• 设定一个线性亮度阈值（比如0.8，对应伽马空间的~0.95）；
• 对高于阈值的像素，用对数曲线或分段函数压缩：例如 new_value = threshold + log10(1 + (value - threshold) * 10) / log10(11)，把超阈值的线性值映射到阈值到1.0的范围内，避免截断；
• 更精细的方式是参考Raw高光重建逻辑：如果视频帧的某颜色通道过曝，利用其他未过曝通道的颜色信息插值重建过曝通道的细节（需注意视频是RGB已合成数据，不如Raw单通道信息丰富，但可基于相邻像素的颜色相关性做近似）。

3. 用自定义Metal Shader替代内置滤镜 #

CIExposureAdjust 的逻辑过于简单，可通过自定义Metal内核实现完整的线性域曝光+高光处理：

• 编写Metal shader，在片元着色器中完成「伽马转线性→曝光调整→高光压缩→线性转伽马」的完整流程；
• 利用Core Image的 CIColorKernel 或 CIKernel 封装自定义滤镜，直接作用于视频帧缓冲区，保证处理效率。

4. 保持高比特精度处理 #

视频如果是8位，处理过程中容易出现色阶断层，尽量：

• 处理10位及以上比特深度的视频流（比如ProRes 422 HQ）；
• 调整过程中使用浮点纹理存储中间数据，避免整数精度损失；
• 最后再将结果转换为目标比特深度。

5. 参数校准对齐 #

• 选取同一场景的Raw照片和视频帧，分别用 CIRAWFilter 和自定义视频处理流程输出；
• 对比两者的直方图，调整曝光系数和高光压缩参数，让视频帧的亮部直方图分布与Raw处理结果匹配；
• 重点校准过曝区域的细节保留程度，而非整体亮度一致。

内容的提问来源于stack exchange，提问作者diclonius9