在研究人工智能或者说计算摄影时，许多摄影师表现出一种很深的抵触情绪，但面对这种几乎不可阻挡的趋势，尤其是在智能手机成像质量和性能不断提升，相机在相关技术（主要是基于大数据的机器学习）助力下自动对焦系统变得越来越强大时，摄影师又不断赞叹技术进步让摄影变得越来越纯粹和简单（这实际上是享受到了人工智能技术带来的便利）。这表现出一种很有趣的矛盾，或许我们可以从计算摄影带来的是什么，给摄影带来的具体变化开始讨论。
计算摄影已完全深入摄影
计算摄影，简单来说就是包含了人工智能技术的大数据、机器学习、对象检测识别、自动渲染成像等一系列内容的智能化技术，它可以使相机在黑暗中看得更清楚、对更大光比范围的画面准确曝光、捕捉更大的色彩动态范围、自动锁定面部或眼睛来精确对焦，以及通过数据库对画面元素进行更有针对性的快速识别、筛选、优化和编辑等一系列操作。
这些听起来就很美好的技术，在过去是需要进行多年专业技能训练、理论学习和经验积累的，但它现在变得唾手可得。进一步来说，就是让摄影变得更加简单、直接，一个完全没有在摄影方面有学习和实践经历的普通人，也可以完全有可能凭借着自身的审美天赋，单纯凭直觉拍摄出符合大众审美的“高赞照片”。假如这位普通人曾经学习过绘画、设计、雕塑等艺术课程，又或者在美学方面有较深的研究，那在计算摄影的助力下，甚至可以直接跳过摄影技术的学习，进行更高层次的摄影艺术创作，其作品可能会比从业多年的职业摄影师还要受到人们的欢迎。是的，这或许就是摄影师对计算摄影技术一直有抵触的原因之一，它让摄影创作变成了“全民参与”的低门槛艺术，这种门槛降低甚至要比相机数码化带来的影响还要大，还要深入。
这又是被许多人所避讳的一种说法，其争议很大。就像许多摄影爱好者一直推崇的“相机直出”“无PS处理”和“原相机拍摄”一样，其本质就是在强调照片的优秀完全是自身技术的体现，跟相机无关，跟PS无关。事实上，这样的说法在相机技术层面是很难完全说通的。且不说胶片时代的暗房技术本质上就是对胶片成像的一种后期编辑和优化，就说相机数码化之后，所谓的直出照片就无法逃脱厂家算法、信号处理对成像的深度介入。
说到这里，就必须了解数码相机的成像基础——成像系统。从数码相机诞生之日起，相机的成像系统就从胶片时代的镜头和胶片，转变为镜头+影像传感器+影像处理器的组合。显然，镜头是最难进行数码化的，即便它的设计和生产，在今时今日已经得到了人工智能技术的极大加持，但它的基础仍然是“光线采集”，相机仍然需要通过它调整光线进入相机的路径，仍然需要它对光线进行“过滤”“优化”，使影像传感器能获得更加准确、纯净的感光效果，达到更高的感光效率，在光电转换过程中获得更多、更纯净的影像数据。这也是为什么许多胶片时代传承下来的镜头光学设计依然能在今天起到很好的作用，许多老镜头依然能在最新的数码相机（包括单反相机、无反相机等）上实现优秀成像的根本原因。
不过，在整个成像系统中变化**的影像传感器和影像处理器则跟光学镜头完全不同，它在短短30年间的变化实在太大了，几乎完全遵循摩尔定律在高速发展，平均下来每幅3年就会有非常大的进步和升级。尤其是近10年间，这种发展速度在越来越多的人工智能融入下，甚至可以做到一年一升级。
那影像传感器和影像处理器又是如何接入摄影的？从根本上说，这一成像系统组合就是将模拟信号转换成数字信号的过程，不管是在感光部分起作用的影像传感器，还是对数据信号进行编码、打包存储、指令控制等处理的影像处理器，都会因为芯片设计、电路设计和算法程序设计的不同，对影像数据信号进行不同程度的编辑和处理。
这样的理论说法或许有些干涩，换个说法就是所谓的“相机直出”，本身就是按照厂家设计的程序得到的结果，即便使用RAW格式（这不是照片，是数据包）进行存储，它也不可能跳脱出数码相机的工作原理得到“完全无处理”的影像数据（照片或视频）。如果你选择的是JPEG等压缩格式的照片存储，那这种相机内部程序的处理就会更深。与大家通常概念中的PS处理唯一不同的是，它遵循的是对场景元素的1对1保留原则，基本上不会对画面元素进行抹除和位置调整等操作。
这在当今的智能手机上又是另一番景象。为了能让画面更加符合绝大多数普通消费者的审美，智能手机基本都具备了各种“美颜”功能，它甚至不是一个功能选项，而是在基础算法中就已经加入的技术处理。在这些设备所拍摄的照片中，影像处理器会自动对人物面部的“成像瑕疵”进行处理，去掉或减弱人物面部（皮肤）上痘疤、雀斑等，又或者是直接通过大数据对光学镜头无法完整捕获的自然界物体的纹理特征进行填充式的自动渲染、补齐（如月亮拍摄模式，部分厂商已获得相关专利）。
当然，智能手机还是会提供相关的功能选项给用户进行“选择”，用户能通过相关的功能选项，对“美颜”的程度、方式进行一定的操作，如美肤程度（磨皮程度）、脸型修饰（液化修形）、眼睛大小（对象变形）、肤色优化（色调色相）等。
这种看似“原相机拍摄”的照片，实质上也是按照厂家在智能手机中加入的算法程序处理得到的结果，其计算摄影技术的介入深度比数码相机的更深。如果对两者进行比较，它们所设计、使用的程序算法的本质的区别在于数码相机厂家依然对从传统摄影技术继承而来的“真实记录”有根深蒂固的追求，而智能手机厂商则完全是根据市场规律在迎合和引导用户需求。
计算摄影有什么优势
在大多数情况下，摄影创作是可预测、可判断、可重复的，简单来说就是摄影技术本身是有规律可循的。例如，在拍摄过程中，以较慢的快门速度拍摄会增加曝光，画面中的运动元素也会呈现出连贯的模糊轨迹（如车流光轨、绸缎流水等）；提高感光度可以增加更多曝光，但会产生噪点；扩大或缩小光圈就能对景深范围进行控制，使主体突出、背景模糊。对于摄影师来说，在调整相机设置时就知道会得到什么结果。
相比之下，在计算摄影技术中则完全不同，它会利用算法和程序去决定相机所能采集、传输的影像数据，并且，输出的结果也由其机器学习所使用的数据库大小决定。具体来说，计算摄影会依据其算法和数据库，对相机感知到的场景进行侦测和识别，并且决定以什么样的渲染方式、技术，对哪些元素、区域进行有倾向性、针对性的处理。这就会直接导致其拍摄的照片会以何种方式对场景画面进行呈现。
这种做法的优势是可以让用户更加轻松地拍摄到更加“赏心悦目”的影像。劣势是不同厂商的算法差异，会让同一个拍摄场景有不同的呈现效果。这实际上会让拍摄结果变得有些不可控，或者说基本规律与传统相机有较大的区别。
这种不可控的情况在相机上表现得不是很明显，但在智能手机上，则有很直接的体现。甚至在某种程度上说，用户选择了哪款手机，其拍摄结果基本上就是手机厂商所给出的，大多数用户都很难在拍摄时按照传统摄影技术的规则做改变。这也就是为什么相机依然在专业摄影领域保持优势，而成像质量和性能不断提高的智能手机却依然在消费领域徘徊的原因之一。
计算摄影是软件技术，与基于硬件技术的发展方式不同，它可以通过程序代码优化、算法逻辑调整，在现有的硬件基础上获得较大的提升。它的强大与否，或者说实用性、优秀程度，几乎完全依赖影像处理器的数据处理性能这一硬件指标。从目前的厂商技术和产品发展趋势来看，这一优势正在被广泛利用，不管是相机还是手机，影像处理器的数据处理性能正在变得越来越强大。
由此，计算摄影技术本身的发展是要比相机硬件提升更加快速、灵活的。这种优势十分明显，厂商可以直接通过固件升级、程序升级等方式，将最新的计算摄影研究成果推送给用户，并且还能利用大数据的深度机器学习，在用户不断拍摄、使用相机（智能手机）的过程中获得进一步完善。哪怕这款新产品或新技术在推向市场时还不是那么完善，也可以通过不断获得的用户拍摄行为、结果等数据反馈（这对手机来说几乎是实时的），或者是机器学习的数据库不断扩充和学习深度、方式的不断调整，来获得“与时俱进”的算法升级。
那在后期编辑软件中，各厂商又是如何与计算摄影技术融合的呢？
首先，软件会利用到计算摄影技术中的“感知和识别”。最为人所熟知的就是Adobe在Photoshop中加入的Neural Filters工具集（从2019年宣布已开始相关研发计划并取得成果，到2020年末开始提供测试版程序，再到2021年正式发布），它不但可以画面中的标志性特征（单个或多个）识别图像中的内容（如天空、人物、树叶、建筑物、山川河流、皮肤、五官，等等），还可以通过特定的模型程序，在经过机器学习后感知并扩充相关的标志性特征，以进一步提升其识别的准确性。如果你在Adobe一开始宣布该工具集时就开始尝试使用相关的功能和工具，就不难发现它一直在“默默地升级中”，其准确性、实用性和效率在不断提升。就像许多摄影师反馈的那样，这些基于感知和识别的工具是越来越好用、越来越简单，它给摄影师节省了大量后期处理工作量。
举一个极端的例子，过去要想将一张春天拍摄的照片修改成冬天的景象，那摄影师**的方法是选择到冬天时重拍一张，否则将需要大量的时间对照片进行“深度、像素级”的后期处理，摄影师还很可能需要同时深入学习各种Photoshop技术才能在几周的时间内完成1张照片的处理。而现如今，在Photoshop中只需要进入Neural Filters工具集，选择“风景混合器”就可以在短短几分钟之内完成这样的操作，并且做到以假乱真的效果。当然，这种基于算法的操作，其结果依然是不可控的，完全由算法决定。用户想在某棵树上加入一坨积雪，依然需要手动操作来完成。这对于非职业摄影师来说，真的是他想要的创作结果吗？不，这是计算摄影给出的结果。
其次，软件还会利用到机器学习的学习部分。我认为这是许多摄影师对完全接受人工智能技术仍犹豫不决的很重要的一个原因。改进算法和性能是软件开发的必然要求，也是我们升级到新版本应用程序时所期望的。有时，这种进展并没有像我们预期的那样发展。
例如，假如你使用某一计算摄影的功能获得了非常满意的结果，但因为在更新软件版本或数据库后，想要再次获得这一结果，即便使用相同的操作和工具重新再编辑一次，都很可能无法完全复刻前一次的操作。这种可重复性缺失，实际上是软件深入融合计算摄影技术后得到的“改进”，是机器学习的优势，同时也是劣势。当然，这种情况大多数都只是存在于软件版本升级前后，并且也只有职业摄影师才会介意的细节。对一般用户来说，它仍然是非常友好的，是利大于弊的。
使用不同版本的后期处理软件对同一张照片进行处理，可以看到其细节上的处理效果差异。这几乎是不可控的，完全由软件所使用的算法决定。
文章刊发于《**摄影报》·2022年·第21期·6版
