计算摄影是数字成像的一个分支，它依赖算法处理而非纯粹的光学和机械技术来捕捉、增强或合成照片。与传统摄影通过镜头将光线直接记录在传感器上不同，计算摄影结合多次曝光、不同焦点或辅助传感器的数据，然后应用数学模型和软件重建最终图像。该领域在20世纪90年代末和21世纪初随着数字传感器和计算能力的增长而兴起，其基础由Xerox PARC和MIT CSAIL等机构奠定。如今，它支撑着几乎所有智能手机摄像头，实现了高动态范围（HDR）成像、低光夜间模式、人像景深效果和计算变焦等功能。
计算摄影的核心区别在于它将相机视为计算设备，而不仅仅是捕捉光的工具。早期工作涉及捕捉不同曝光时间的多帧图像并合并以扩展色调范围，这一技术由寻求克服传感器限制的研究人员首创。这些努力演变为更复杂的方法，包括使用Machine learning和Deep learning模型来学习预测和填补缺失的视觉信息。Artificial intelligence的整合改变了该领域，使相机能够智能地解读场景、减少噪声，甚至在后处理中重新对焦。截至2020年代中期，计算摄影是主要科技公司和学术实验室的活跃研究领域，在实时处理和场景理解方面持续取得进展。
历史发展
计算摄影的起源可追溯到20世纪80年代和90年代的计算机图形学和图像处理研究。在Xerox PARC，早期数字图像操作和色调映射的实验影响了后来的工作。1996年，MIT CSAIL的一个团队通过结合同一场景不同快门速度的多张照片，演示了高动态范围成像，创建了比任何单次捕捉具有更大亮度细节的单一图像。这一方法后来由olympus和学术合作者正式化，成为基础技术。在整个2000年代，Carnegie Mellon University和Stanford AI Lab的研究人员研究了光场相机，它不仅记录光的强度，还记录其方向，从而支持后期重新对焦。这些早期系统笨重且缓慢，但验证了计算可以替代物理光学的概念。
2010年代，数字单反相机（DSLR）和随后智能手机的普及加速了采用。Apple、Samsung Electronics和Qualcomm集成了专用图像信号处理器（ISP），能够在毫秒内处理多帧算法。2016年iPhone 7 Plus等手机中双摄像头模块的引入，通过立体视差实现了实时深度估计，这是模拟散景效果的关键推动因素。到2010年代末，Google DeepMind和其他Neural network先驱已将深度学习应用于去马赛克、去噪和超分辨率等任务，将质量推向了传统算法无法达到的水平。
关键技术
多曝光融合构成了HDR成像的基础，其中相机捕捉一组欠曝、正常和过曝帧。算法对齐图像，使用Data Augmentation和特征匹配来处理运动，然后使用保留高光和阴影细节的权重合并它们。现代HDR处理通常采用Convolutional neural network架构，这些架构可以从原始传感器数据预测最佳混合权重。
深度估计和重新对焦使用基于硬件的系统（如双像素传感器或结构光）或基于软件的方法（如多视图立体视觉）。光场相机由Lytro于2012年商业化，通过微透镜阵列捕捉方向信息，尽管受限于低分辨率。智能手机人像模式现在结合相位检测自动对焦数据和U-Net风格网络来分割主体并估计逐像素深度，生成逼真的背景模糊。
低光和夜间模式是另一种突出技术。通过捕捉多个短曝光并使用Residual Network (ResNet)架构对齐它们，计算相机减少读取噪声和运动模糊。算法放大动态范围并基于场景内容应用自适应去噪，实现在近黑暗中手持拍摄。例如，Google于2018年推出的Night Sight使用机器学习预测阴影中的颜色和纹理，重建因噪声丢失的细节。
计算变焦和超分辨率从多个变焦级别或单张图像插值或合成细节。使用基于Attention mechanism的模型，这些系统可以放大2倍到4倍，同时产生比传统双三次插值更清晰的边缘。该技术允许主摄像头模拟长焦镜头而无需额外硬件。
机器学习的作用
机器学习，特别是Deep learning，已成为计算摄影中的主导范式。早期方法依赖手工特征和优化例程，但基于Neural network的模型在大量低质量和高质量图像配对数据集上训练后，现在执行大多数增强任务。例如，去噪网络学习在数千个场景中区分信号和噪声，比非局部均值等基于规则的滤波器泛化得更好。
训练此类模型需要大量计算资源，通常由Microsoft Azure等云平台或AWS Trainium等专用芯片提供。许多智能手机制造商嵌入专用神经处理单元，如Apple的神经引擎或Qualcomm的Hexagon DSP，以低功耗在本地运行这些模型。模型本身按设备设计，针对传感器的光谱响应和镜头特性进行调整。
关键创新包括用于保留高频细节的Residual Network (ResNet)块和用于多尺度特征提取的U-Net架构。Data Augmentation技术模拟各种光照和噪声条件以提高鲁棒性。截至2025年，研究聚焦于生成模型（如基于扩散的方法）以更合理地重建缺失信息，以及基于Transformer (architecture)的网络以捕捉场景中的长距离相关性。
行业和商业应用
计算摄影的商业采用在移动设备中最为明显。Apple、Samsung Electronics和Google各自集成专有流水线，结合多帧捕捉、机器学习和用户友好界面。例如，Apple于2019年推出的Deep Fusion使用神经网络合并多次曝光的像素级细节，实现高纹理保真度。Samsung于2020年推出的Space Zoom采用计算上采样和Top-K Sampling，在某些型号上提供100倍数字变焦，尽管结果因光照条件而异。
在智能手机之外，计算摄影用于安全摄像头以增强低光视频，用于医学成像以减少CT扫描中的噪声，以及用于汽车视觉中的Waymo和Tesla，以在挑战性光照下重建深度和检测物体。Ricoh和Panasonic等公司的专用相机集成了HDR和焦点堆叠的计算模式，而Adobe的Lightroom等软件提供基于AI的去噪和增强工具。
挑战和未来方向
尽管取得了成功，计算摄影仍面临图像保真度和计算成本之间的权衡。处理多帧和运行深度学习模型可能引入延迟，尤其是在紧凑设备上。平衡电池寿命和热量产生仍是Apple和Samsung Electronics的设计约束。另一个挑战是管理连拍期间的运动伪影，尽管光流算法和带运动模型的Data Augmentation缓解了这一问题。
未来方向包括用于增强现实的实时3D场景重建，使用多摄像头和Neural network深度预测。光场相机技术持续改进，航空成像中的合成孔径雷达正在被适应于消费用途。该领域可能进一步与Generative AI融合，其中模型合成整个场景或完成遮挡区域，引发关于照片真实性和信任的问题。截至2026年，BAIR (Berkeley AI Research)的研究人员正在探索用于逼真渲染的神经辐射场，这可能带来完全计算化的光传输。