如何使用AI修复曝光不足的照片 — Magic Eraser
使用AI boost从黑暗和曝光不足的照片中恢复细节的逐步指南。涵盖阴影恢复、降噪、色彩校正、选择性编辑和导出，适用于背光人像、室内活动和弱光场景。
Product Marketing
审稿人 Magic Eraser Editorial ·
曝光不足是摄影中最常见的技术问题，影响从业余爱好者到专业人士的每一个拍摄场景。相机的测光系统误判了场景亮度，闪光灯在室内活动中未能触发，拍摄对象背对明亮的窗户或日落，智能手机的自动曝光锁定在明亮区域而使主体处于阴影中。原因多种多样且往往不可预测。结果总是一样的：图像主体太暗，阴影细节丢失，照片看起来无法使用。在AI-powered修复工具出现之前，可选择的方案仅限于基本的亮度调整（会产生噪点和颜色偏移的结果），或者在使用大多数人没有且更少人知道如何使用的专业软件中进行繁琐的手动编辑。
AI boost的核心是通过将曝光不足校正视为一个预测问题而非简单的像素亮度调整来改变修复过程。在数百万张配对的图像上训练的模型——同一场景在正确曝光和不同程度曝光不足下拍摄——学习暗像素中包含的内容与它们在适当光照下应有的样子之间的统计关系。AI不仅仅是乘以像素值使它们变亮。它根据图像可见部分的信息以及其对光线、阴影和颜色在现实场景中如何相互作用的习得理解，推断暗区域应有的颜色、细节和纹理。
本指南涵盖了使用Magic Eraser的AI Enhance工具修复曝光不足照片的完整工作流程，从评估阴影中存在多少可恢复细节，到提升过程本身，再到修复后的噪声、色彩准确度和整体图像质量评估。我们讨论了最常见曝光不足场景的具体挑战——背光人像、无闪光灯的室内活动、弱光街拍和昏暗环境中的智能手机拍摄——并解释了决定任何给定图像可恢复程度的技术因素。
- AI boost通过预测正确的亮度、颜色和纹理来修复曝光不足的照片，而不是简单地放大暗像素值，从而产生看起来自然照明而非人为增亮的效果。
- 典型恢复范围为JPEG文件的两到三档和RAW文件的四到五档。相当于使图像亮度增加四到三十二倍，同时保持自然外观。
- 阴影恢复同时校正隐藏在曝光不足像素中的色彩偏移——绿色色偏、蓝色偏移和白炽灯橙色调——这些在暗区域被提亮时会变得可见。
- AI noise reduction区分真实图像细节与阴影恢复过程中被放大的传感器噪声，在保留纹理和边缘的同时去除颗粒感。
- 选择性增强允许在图像的不同区域应用不同的恢复级别，防止均匀提亮在具有混合曝光区域的照片上产生的褪色外观。
曝光不足的物理原理及为何可以恢复
数码相机传感器是模拟光测量设备，将照射到每个像素点的光子转换为电荷，然后数字化为图像文件中存储的数值。当场景正确曝光时，每个像素接收到足够的光子，产生准确代表场景中该点亮度和颜色的信号。当场景曝光不足时，每个像素接收到的光子较少，但关键点在于它仍然接收到了一些。传感器仍然记录了信息，只是更少而已。这些部分信息就是恢复之所以可能的原因。
signal-to-noise ratio是基本约束条件。每个传感器像素都会产生少量随机电噪声，无论是否有光照。在正确曝光的像素中，光信号远强于噪声，因此噪声不可见。在曝光不足的像素中，光信号可能仅比噪声略强，或者在最深阴影区域中与噪声相当。恢复同时放大信号和噪声。AI的工作是将它们分开——放大真实图像信息的同时抑制噪声，利用其训练习得的关于图像细节样貌与噪声样貌的区分能力。
JPEG压缩增加了另一层复杂性。当相机保存JPEG时，它将色调数据量化为更少的级别，并丢弃压缩算法认为是冗余的信息。在原始信号本已较弱的阴影区域，这种压缩可能丢弃构成可恢复细节的微妙色调变化。RAW文件保留了完整的传感器数据而不进行压缩，这就是为什么它们提供更多恢复空间——通常比同次拍摄的JPEG多一到两档。然而，专门针对JPEG恢复训练的AI模型已学会在这些限制下工作，即使是从高度压缩的智能手机JPEG中也能产生令人惊讶的有效结果。
- 曝光不足的像素仍然包含信号数据——恢复之所以可能是因为传感器记录了信息，只是比理想曝光提供的信息少而已。
- signal-to-noise ratio决定恢复限度——曝光不足越严重，图像信号越接近传感器的噪底。
- JPEG压缩丢弃了RAW文件保留的阴影细节，通常耗费一到两档的恢复空间。
- 针对JPEG-specific恢复模式训练的AI模型即使从高度压缩的智能手机拍摄中也能产生有效结果。
AI增强与传统亮度调整的区别
编辑软件中的传统曝光校正基于像素数学运算。增加一档曝光，软件将每个像素值乘以二。增加两档，则乘以四。这是一个确定性的、与内容无关的操作。无论像素代表面部、墙壁、植物还是空旷的天空，软件都应用相同的数学变化。每个像素中的噪声与信号乘以相同的系数——这就是为什么过去提亮的图像看起来噪点多。颜色值也均匀偏移，这就是为什么过去提亮的图像显示需要单独校正的色偏。
AI boost基于习得预测而非像素数学运算。该模型已在数百万张图像对上训练，展示了曝光不足的场景在正确曝光时应该是什么样子。给定一张暗图像，AI不问当我把这些像素乘以四时会发生什么。它问的是如果这个场景被正确照明，它看起来会是什么样子。这是一个根本不同的问题，产生根本不同的结果。AI预测包含面部的暗区域应显示带有暖色调的皮肤纹理，包含植物的暗区域应显示带有绿色调的叶子细节，包含空旷天空的暗区域应显示带有蓝色调的光滑渐变。每个预测都是内容感知和上下文特定的。
实际差异在输出中立即可见。传统亮度提升生成的图像看起来像是一张暗照片被提亮了。光照方向不变，色调分布保持压缩状态，曝光不足的每个伪影都与内容一起被放大。AI boost生成的图像看起来像是本来就曝光更准确的。色调分布被扩展以使用完整范围，颜色被校正以匹配其真实世界的外观，噪声被抑制而非放大。差异在肤色中最为显著——人类视觉能瞬间检测到亮度和颜色的细微变化。
- 传统校正统一乘以所有像素值——同等放大噪声和信号，需要单独的颜色校正。
- AI增强预测正确曝光的场景应该看起来的样子，在不同图像区域生成内容感知的校正。
- AI修复的图像显示扩展的色调范围和校正后的颜色，而非简单亮度增加产生的压缩、颜色偏移的外观。
- 肤色从AI恢复中获益最为显著，因为人类视觉对面部的亮度和颜色变化极为敏感。
修复背光人像和剪影主体
背光是最极端的曝光不足形式，因为明亮背景与暗主体之间的差异可能跨越五档或更多的动态范围。一个人在晴天站在窗前，面部接收到的光线可能只有窗户透过的光线的百分之一。相机无法同时正确曝光两者。如果它为背景曝光，主体变成剪影；如果它为主体曝光，背景曝光过度为纯白。在大多数自动拍摄模式下，相机会折中处理或偏向明亮区域，使主体曝光不足两到四档。
背光主体的AI恢复效果非常出色，因为AI可以独立处理图像的亮区和暗区。它将主体的面部和身体从阴影中提亮——恢复皮肤纹理、服装细节、头发定义和眼睛可见性——而不会使已经明亮的背景过度曝光。结果模仿了fill flash，这是专业摄影师使用的一种技术，即用闪光灯照亮主体以平衡明亮的背景。AI在拍摄后实现了这种平衡，而非在拍摄时需要设备。具有一些可见阴影细节的背光主体——即你能看到特征轮廓即使它们非常暗——几乎可以完全恢复。
背光恢复的局限性仅在极端情况下显现。如果主体是纯黑色剪影，完全没有可见细节——像素读数处于或接近最小数字值——AI在这些区域没有数据可处理，无法虚构内容。在恢复良好和无法恢复的极端情况之间，存在一个质量梯度，取决于原始阴影信号的数量。曝光不足两档的主体恢复效果很好。三档恢复效果良好，但在全尺寸放大时有一些可见噪声。四档可能会显示明显的质量下降，但在社交媒体尺寸下仍然可用。从JPEG超过四档，预计会出现可见伪影。
- 背光场景跨越五档或更多的动态范围——AI独立处理明亮背景和暗主体，在拍摄后模拟专业fill flash。
- 曝光不足两档的主体恢复效果很好——三档恢复良好，有轻微噪声——四档在社交媒体上可用，有一些可见降质。
- 纯黑色剪影没有任何阴影细节无法恢复，因为AI没有可处理的传感器数据。
- 头发、眼睛细节和服装纹理通常是阴影提亮显示主体时最先恢复的元素。
室内活动摄影恢复和混合光照校正
室内活动——生日、婚礼、会议、餐厅聚餐、节日聚会——产生最大量的曝光不足照片，因为室内环境光通常比相机手持拍摄所需的亮度暗两到四档。智能手机通过提高ISO感光度来补偿，这会引入噪声；通过延长快门速度，这会在主体移动时引入运动模糊。结果照片结合了曝光不足、噪点有时还有模糊——这是一个传统编辑处理不好但AI作为集成问题处理的三大挑战。
混合光照是室内特有的颜色挑战。一个房间可能包含暖色调白炽灯顶灯、来自窗户的冷色调日光、绿色荧光灯任务照明和蓝色LED氛围灯。相机为整个画面选择一个白平衡，这意味着一些光源呈现正确，而另一些则产生强烈的色偏。AI boost通过分析图像的每个区域并局部而非全局调整色彩平衡来校正这些混合色偏。被暖色顶灯照亮的面部获得与被日光窗照亮的墙壁不同的颜色校正，两者最终看起来都很自然，而非其中一个颜色偏移。
避免使用闪光灯是室内曝光不足的主要原因之一。许多人禁用闪光灯，因为他们将其与刺眼、平面照明和红眼关联。虽然这些关联对于直接机顶闪光灯是成立的，但替代方案——在昏暗室内照明下完全不用闪光灯——会产生更差的结果。对一张昏暗的无闪光灯照片进行AI恢复可以产生自然的效果。而一张用AI增强以柔化闪光灯刺眼效果的电话闪光灯照片，起始原始数据要好得多。在拍摄室内活动时，尽可能使用闪光灯，并依靠AI来优化闪光灯的美学效果，而非从完全没有闪光灯的情况下恢复。
- 室内环境光通常比相机清晰拍摄所需的光线暗两到四档，使活动照片成为最常见的恢复场景。
- 混合室内照明产生区域特定的色偏，AI局部而非全局校正，以获得整个画面自然的效果。
- AI将曝光不足、噪点和运动模糊的组合挑战作为一个集成问题而非三个单独校正来处理。
- 使用AI增强以柔化刺眼效果的闪光灯辅助拍摄，比需要大量阴影恢复的无闪光灯拍摄产生更好的效果。
了解恢复限度并设定合理期望
每张曝光不足的照片都有一个恢复上限，由传感器实际捕获的信号量决定。AI boost无法创建原始文件中不存在的信息。它只能揭示和优化存在于暗像素值中但隐藏的信息。理解这一限制有助于设定合理的期望，并防止在严重曝光不足的图像无法恢复到与正确曝光拍摄相同质量时产生失望。
实际恢复范围遵循可预测的质量梯度。曝光不足一档的照片——略暗于理想但所有细节可见——恢复到与原片几乎无法区分的程度。曝光不足两档——明显变暗但有可见阴影细节——恢复到质量损失非常轻微，仅在全分辨率放大检查时可见。曝光不足三档——非常暗，阴影需要调高屏幕亮度才能看到——恢复到有一些可见噪声和最暗阴影区域轻微细节损失。曝光不足四档——非常暗，阴影细节几乎不可感知——恢复到适用于网络和社交媒体的可用质量，但在全分辨率下有明显质量降级。从JPEG超过四档的恢复产生带有重大伪影的图像，仅适用于有任何版本的照片都比没有好的情况。
文件格式是另一个关键变量。来自专用相机的RAW文件每通道保留12到14位色调数据，而JPEG为8位，提供大约两档额外的可用阴影恢复。如果你的相机支持RAW，并且你知道将在挑战性光照下拍摄——室内活动、背光情况、日落人像——请拍摄RAW。AI boost将从RAW文件中提取明显更多的细节并产生更干净的结果，相比于同次拍摄的JPEG。对于智能手机用户，像Apple ProRAW和Android DNG这样的RAW模式在启用时提供相同的优势。
- 曝光不足一档：恢复到与正确曝光几乎无法区分。两档：非常轻微的质量损失。三档：一些噪点和细节损失。四档：适用于网络，有明显降级。
- 与同次拍摄的JPEG相比，RAW文件提供大约两档额外的恢复空间。
- 像Apple ProRAW和Android DNG这样的智能手机RAW模式相比默认JPEG拍摄显著扩展了恢复范围。
- AI无法创建原始文件中不存在的信息——恢复上限由实际捕获的传感器数据决定。