Lucky High Dynamic Range Smartphone Imaging
普林斯頓大學與 Adobe 提出 LuckyHDR，將天文學幸運成像概念應用於手機 HDR 攝影。系統融合 3–9 張包圍曝光幀，透過粗精兩階段疊代對齊（容忍 52 px 大位移、6 px 精修）與輸出像素凸組合設計消除幻覺偽影。模型僅 6.6 萬參數（比 HDRFlow 輕 50 倍），以純合成資料訓練即可零樣本泛化至真實手機，預計於 ACM SIGGRAPH 2026 發表。
- 人眼動態範圍約 20 檔，智慧型手機感光元件僅 12 檔，實用 HDR 方法可延伸 3–5 檔
- LuckyHDR 借鑒天文攝影幸運成像，動態選擇每個區域曝光品質最佳的像素來源
- 輸出為觀測像素的凸組合，從架構層面杜絕深度學習 HDR 常見的幻覺偽影
- 兩階段疊代對齊：粗對齊容忍 ~52 px 位移，精對齊達 6 px 精度
- 模型僅 6.6 萬參數，比 HDRFlow（3.27 M）輕約 50 倍，可在手機 NPU 即時推論
- 純合成資料訓練，零樣本泛化至未見過的真實相機與場景
人眼能辨識約 20 檔動態範圍，智慧型手機感光元件只有 12 檔，逆光人像與夜間街景因此難逃高光過曝或暗部死黑的命運。普林斯頓大學與 Adobe 聯手提出的 LuckyHDR，借鑒天文攝影「幸運成像」概念，融合 3 至 9 張包圍曝光幀產生媲美人眼感知的 HDR 影像，模型僅 6.6 萬個參數，比主流方法輕約 50 倍。
人眼 20 檔 vs 手機 12 檔：為何需要 HDR？
動態範圍衡量一個成像系統同時記錄最亮與最暗細節的能力，單位為「檔」（stop）。人眼可接受約 20 檔的亮度變化，而手機感光元件受限於像素尺寸，通常只有 12 檔。在逆光或明暗對比強烈的場景，系統只能二擇其一：保留窗外景色或保留室內細節。
包圍曝光（exposure bracketing）是最直接的應對方案——快速連拍數張不同曝光值的影像，再融合為一張 HDR 圖。問題在於，快速連拍時鏡頭震動、物體移動與滾動快門會導致各幀錯位，傳統方法難以在對齊品質與計算量之間取得平衡。
天文「幸運成像」如何遷移到手機攝影？
「幸運成像」（lucky imaging）是天文學家為克服大氣湍流而發展的技術：連拍數百張短曝光影像，挑選少數幾張大氣相對穩定的幀疊合，以獲得接近理論解析度的星象。LuckyHDR 將這個概念遷移到手機 HDR：在 3 至 9 張包圍曝光幀中，依據局部清晰度與曝光品質，動態選擇最適合每個區域的像素來源。
此設計帶來一個關鍵優勢——輸出像素全為「觀測值的凸組合」（convex combination of observed pixels）。模型不會生成任何不存在於原始幀中的像素值，從架構層面消除了深度學習 HDR 方法常見的幻覺偽影（hallucination artifacts）。
兩段疊代對齊：52 px 大位移容忍 + 6 px 精修
LuckyHDR 採用粗精兩階段疊代對齊策略。粗對齊估計全域仿射變換，容忍最大約 52 像素的位移，應對手部震動或快速移動物體；精對齊在粗對齊基礎上執行逐像素光流估計，精度達 ±6 像素，補償微小錯位。兩個階段交替疊代，確保處理高動態比場景（如煙火、夜間車燈）時，即使相鄰幀視差偏大，仍能維持銳利的融合結果。
6.6 萬參數：輕量網路的設計邏輯
模型僅 66,000 個可訓練參數，約為 HDRFlow（3.27 M）的 1/50，也遠輕於其他常見基線（1.1–1.5 M）。輕量化的關鍵在於：研究者將大量計算負擔轉移到可解釋的幾何運算（對齊、曝光加權），留給神經網路的只有最難用規則描述的融合決策。這使模型可在手機 NPU 上即時執行，無需雲端回傳。
合成資料訓練、真實場景零樣本泛化
訓練資料全部來自合成影像——用已知 HDR 影像模擬不同曝光組合，無需收集真實場景的多曝光標定集。儘管如此，LuckyHDR 在真實手機拍攝的測試集上表現出色，展現出強健的零樣本（zero-shot）泛化能力。研究者認為，對齊步驟的可解釋設計降低了模型對相機特定特性的過度擬合，是泛化成功的主因。實測中，手機自動模式下通常捕捉 ±2 檔共 5 張幀，足以覆蓋絕大多數日常場景的亮度範圍。
Take-home：LuckyHDR 以 6.6 萬參數的輕量網路，搭配幸運成像動態選像與 52 px + 6 px 粗精兩段對齊，讓智慧型手機在不依賴雲端的情況下將可用動態範圍從 12 檔提升至接近人眼的 20 檔，且從架構上保證不產生幻覺偽影。