知识卡片：图像信号处理器中的 RAW 与 sRGB 恢复基准比较
一句话结论
候选摘要显示：恢复位置本身并不单独决定性能。RAW 域恢复可以优于最好的通用 RGB 恢复模型；但若 RGB 恢复模型在训练中考虑了 ISP 变换，则能取得最佳整体性能。关键在于恢复模型与目标成像流水线之间的对齐程度。
事件概述 / 研究问题
- 现代相机通过图像信号处理器（ISP）将 RAW 传感器测量值转换为 sRGB 图像。
- 该工作以 ISP 为中间环节，比较两种“盲恢复”放置方式：
- A：ISP 之前，在 RAW 域进行恢复；
- B：ISP 之后，在 sRGB 域进行恢复。
- 基准覆盖范围，据候选摘要：
- 四组智能手机设备；
- 两个学习式 ISP；
- 三种退化场景：噪声、模糊、噪声与模糊联合退化；
- 若干代表性 RAW 恢复模型和 RGB 恢复模型。
方法/评测要点
- 构建统一基准，将恢复模型放在同一成像流水线的不同位置进行对照。
- 区分两类 RGB 恢复模型：
- 通用 RGB 恢复模型；
- 考虑 ISP 变换进行训练/监督的 RGB 恢复模型。
- 据候选摘要，基准代码可在以下地址获取：https://github.com/mv-lab/AISP
（仓库可用性、版本和许可证待核实）
主要结果/产业意义
- 候选摘要明确结论：单靠“RAW 域还是 sRGB 域”这一位置选择，不能决定恢复性能。
- RAW 域恢复策略优于最好的通用 RGB 恢复模型。
- 考虑 ISP 变换的 RGB 恢复模型在整体性能上最佳。
- 图像重建性能强烈依赖恢复模型与目标成像流水线之间的对齐程度。
- 候选摘要建议：在报告实验结果时，将“恢复位置”和“ISP-aware supervision / ISP 感知监督”列为关键实验因素。
- 可延伸的产业含义：在智能手机或计算摄影流水线中比较去噪、去模糊等算法时，不仅要说明输入是 RAW 还是 sRGB，还要说明恢复模块位于 ISP 的哪一侧，以及监督信号是否利用了 ISP 变换。
为什么重要/与既有脉络的关系
- 已有相关卡片分别讨论图像复杂度/丰富度度量（ERank）和全合一恢复架构（DAR-Net）。本条不是提出新的恢复网络，而是补充一个偏“评测与实验设计”的维度：RAW/RGB 恢复结果如何受 ISP 位置和流水线对齐影响。
- 该基准提示：若忽略 ISP 或 ISP-aware supervision，RGB 域恢复模型可能被系统性低估；后续研究应更明确地报告模型与流水线的摆放关系。
局限与不确定性
- 原始正文未能抓取，以上内容主要依据 arXiv 元数据及其候选摘要。
- 具体数据集名称、四组智能手机设备的具体型号、两个学习式 ISP 的实现、使用的恢复模型列表、退化参数和量化指标均待核实。
- GitHub 代码仓库是否可访问、是否与论文版本一致、是否有开源许可，待核实。
- 元数据中的 Topics 标注为 foundation-model，但其与候选摘要内容的直接关系未明确，待核实。
- 当前结论未经过论文图表和完整实验信息交叉核对，引用前应以 arXiv 页面或正式版为准。
可用于图书/PPT/简报的角度
- 可用于说明“同一任务的不同问题定义会改变结论”：恢复算法放在 ISP 前还是 ISP 后，不是简单的“RAW 更好”或“RGB 更好”。
- 可用于强调 benchmark 设计中必须报告“流水线位置”和“ISP-aware supervision”等关键变量。
- 可作为案例说明：算法与目标成像系统对齐，常常比单纯更换输入域或网络结构更重要。
英文标题
Benchmarking RAW and RGB Restoration in Image Signal Processors
英文关键词（依据标题/摘要提炼）
RAW restoration; RGB restoration; image signal processor (ISP); blind restoration; benchmark
原始材料
- 原始来源：https://arxiv.org/abs/2609.02831v1
- 英文标题（Manual title）：Benchmarking RAW and RGB Restoration in Image Signal Processors
- 说明：正文未能抓取，本卡片仅基于已知元数据和候选摘要生成；未在候选摘要中出现的细节均标为“待核实”。