智能会议室环境光自适应补光：探究ISP调优策略与人脸曝光收敛算法

随着混合办公模式的普及，智能会议室已成为企业协作的核心场景。然而，复杂多变的室内光照环境——投影仪强光、窗户逆光、顶灯阴影、色温混杂——严重干扰视频会议画质，导致人脸曝光不足、肤色失真、噪点飙升。本文深度剖析智能会议室环境光自适应补光的核心技术链路，重点探讨ISP调优策略与人脸曝光收敛算法的协同优化路径，为视频会议终端、全向摄像头、会议平板等设备的图像质量提升提供工程落地参考。

一、 智能会议室光照环境的典型挑战与建模

1.1 复杂光照场景分类

工程实测表明，智能会议室主要面临四类典型恶性光照：

1.2 光照环境量化建模

为实现自适应补光，需建立光照指纹库，通过多传感器融合（RGB+IR+ToF）实时感知：

# 伪代码：光照环境特征向量提取
class LightEnvProfiler:
    def extract_features(self, rgb_frame, ir_frame, tof_depth):
        features = {
            'global_ev': self.calc_ev(rgb_frame),           # 全局曝光值
            'face_ev': self.calc_roi_ev(rgb_frame, face_roi), # 人脸区域EV
            'dr_ratio': self.calc_dynamic_range(rgb_frame),   # 动态范围比
            'ct_matrix': self.estimate_ct_zones(rgb_frame),   # 分区色温矩阵
            'flicker_freq': self.detect_flicker(ir_frame),    # 光源频闪频率
            'depth_hist': self.analyze_depth_dist(tof_depth)  # 景深分布
        }
        return LightFingerprint(**features)

二、 ISP调优策略：从静态参数到动态自适应管线

传统ISP采用固定调优参数（静态3A库），无法应对会议室光照的毫秒级剧变。现代智能会议终端需构建动态ISP调优管线，核心在于“场景识别→参数检索→平滑插值→硬件下发”的闭环。

2.1 场景感知驱动的参数空间划分

将ISP参数空间映射为多维查找表（LUT），关键维度包括：

• 曝光增益域：Integration Time (行时间) × Analog Gain × Digital Gain
• 白平衡域：R_Gain × B_Gain × CCM(色彩校正矩阵)
• 降噪域：3DNR强度 × 2DNR阈值 × 时间域递归系数
• 色调映射域：Gamma曲线 × Local Tone Mapping半径/强度 × 高光压缩阈值

工程实践：采用聚类+插值策略。离线阶段收集5000+典型会议室样本，K-Means聚类得到12-16个典型场景簇，每簇预存最优ISP参数集；在线阶段通过轻量级CNN（MobileNetV3-small变体，<1.2M参数）实时分类，双线性插值输出当前帧参数，避免参数突变造成画面闪烁。

2.2 关键模块调优要点

2.2.1 HDR融合策略：分层曝光+运动自适应

针对投影强光+人脸阴影的大动态场景，采用3帧分层曝光（短/中/长）+运动检测加权融合：

短曝光(1/500s)  → 保留高光细节（投影屏幕、窗外）
中曝光(1/120s)  → 基准帧，平衡中间调
长曝光(1/30s)   → 提升阴影区信噪比（人脸区域）

融合权重公式：
$$W_{fused} = alpha cdot W_{static} + (1-alpha) cdot W_{motion}$$
其中$alpha$由光流幅值动态调整，运动区域降低长曝光权重抑制鬼影，静止区域最大化动态范围。

2.2.2 智能3D降噪：人脸感知的时空自适应

传统3DNR易导致人脸纹理过度平滑。引入人脸关键点引导的区域自适应降噪：

• 人脸核心区（眼鼻口三角区）：降噪强度降低30%，保留皮肤纹理
• 人脸边缘/背景区：常规强度降噪
• 高频细节保护：引导滤波保留眉毛、发丝等高频结构

// 伪代码：人脸感知3DNR权重计算
float calc_nr_weight(int x, int y, FaceLandmarks* lm) {
    float dist = min_distance_to_keypoints(x, y, lm->core_triangle);
    if (dist < FACE_CORE_RADIUS) return 0.7f;      // 核心区弱降噪
    else if (dist < FACE_EXTEND_RADIUS) return 0.9f; // 过渡区
    else return 1.0f;                               // 背景全强度
}

2.2.3 自适应色彩校正：分区CCM与肤色保护

针对混合色温，采用图像分块+局部CCM插值：

1. 将图像划分为8×8网格，每块估算局部色温
2. 预存标准光源（D65、A、F11等）对应的CCM矩阵库
3. 双线性插值生成逐像素CCM，边缘平滑避免色块
4. 肤色锚点约束：在色彩校正损失函数中加入肤色向量约束项
   $$L_{ccm} = |RGB_{out} - CCM cdot RGB_{raw}|^2 + lambda |Skin_{out} - Skin_{target}|^2$$

三、 人脸曝光收敛算法：从区域测光到语义级闭环

人脸曝光是会议画质的核心指标。传统人脸AE（Auto Exposure）存在收敛慢、震荡、多脸冲突等问题。本节提出基于强化学习的多目标人脸曝光收敛算法（RL-MFE）。

3.1 问题形式化与奖励函数设计

将曝光控制建模为马尔可夫决策过程（MDP）：

• 状态空间 S：当前人脸区域平均亮度Y_face、目标亮度Y_target、历史增益序列、场景光照指纹、人脸数量/位置/大小
• 动作空间 A：ΔIntegration Time、ΔAnalog Gain、ΔDigital Gain（离散化为27个动作组合）
• 奖励函数 R：多目标加权设计

$$R = w_1 cdot R_{exp} + w_2 cdot R_{stable} + w_3 cdot R_{snr} + w_4 cdot R_{multi_face}$$

权重典型配置：$w_1=0.5, w_2=0.2, w_3=0.2, w_4=0.1$（单人场景$w_4=0$）。

3.2 轻量化策略网络与部署优化

考虑到会议终端算力受限（典型NPU 1-2 TOPS），采用知识蒸馏+量化感知训练：

1. Teacher网络：双流架构（ResNet18骨干+LSTM时序建模），离线训练收敛
2. Student网络：MobileNetV2-0.35× + 单层GRU（参数量<0.4M）
3. 蒸馏损失：$L_{distill} = alpha cdot KL(pi_{teacher} | pi_{student}) + (1-alpha) cdot MSE(V_{teacher}, V_{student})$
4. INT8量化：对称量化权重，非对称量化激活，校准集覆盖12大场景，精度损失<0.8%

收敛性能实测（某主流会议平板，RK3588平台）：

3.3 补光协同：屏幕补光与外挂补光的统一调度

智能会议终端常配备屏幕补光（RGB可控）与外挂补光灯（高亮白光）。RL-MFE扩展动作空间，引入补光控制维度：

• 屏幕补光：色温可调(2700K-6500K)，亮度0-300nit，响应快(<16ms)，适合近距离(<1.5m)人脸填光、肤色修正
• 外挂补光：高亮度(>1000lux@1m)，色温固定(4000K/5500K)，响应慢(~100ms)，适合远距离、大场景补光

协同调度策略：

IF face_distance < 1.2m AND color_temp_deviation > 300K:
    优先屏幕补光调色温 + 微调亮度
ELIF face_ev < 5.0 (极低照):
    外挂补光全开 + 屏幕补光辅助填充阴影
ELSE:
    仅ISP参数调节，补光关闭/待机（省电、避免眩光）

四、 系统级联调优与工程落地避坑指南

4.1 跨模块联调关键点

4.2 典型故障案例复盘

案例：某会议平板在“投影开启+窗帘半开”场景下，人脸周期性明暗闪烁（周期~2s）。

根因分析：

1. 投影仪刷新率60Hz，窗帘缝隙自然光50Hz市电频闪，双频闪叠加产生拍频
2. AE统计窗口包含投影高光区，导致曝光随投影画面内容剧烈波动
3. RL-MFE奖励函数中$R_{stable}$权重不足，未有效抑制增益震荡

修复方案：

• 频闪检测模块识别双频闪，AE统计窗口排除投影区域（语义分割Mask）
• 引入频闪同步曝光：积分时间锁定为1/100s（50Hz/60Hz公倍数）
• 调整$w_2$从0.2→0.35，增加时序平滑正则项

修复后闪烁指标（IEEE 1789标准）从高风险(>30%调制深度)降至无风险(<8%)。

五、 未来演进方向：生成式补光与端云协同

5.1 生成式AI辅助补光重建

引入轻量化扩散模型（如MobileDiffusion），在极低照度(<5lux)下，利用前序帧、红外图、深度图作为条件，生成高质量人脸细节纹理，配合ISP输出融合，突破物理信噪比极限。初步测试显示，在2lux环境下，人脸主观评分(MOS)提升1.2分（5分制）。

5.2 端云协同调优框架

• 端侧：实时执行RL-MFE、基础ISP、轻量感知（<30ms延迟）
• 云侧：离线聚合海量设备数据，训练场景分类器、优化奖励函数权重、下发个性化参数包
• 协同流程：设备上报匿名化光照指纹+画质指标 → 云端联邦学习更新模型 → OTA灰度下发 → 端侧A/B测验证 → 全量推送

六、 结语

智能会议室环境光自适应补光是一项系统工程，要求光学设计、ISP管线、3A算法、补光硬件、编码传输全链路协同。本文提出的动态ISP参数空间映射、人脸感知自适应降噪/色彩校正、以及基于强化学习的多目标人脸曝光收敛算法（RL-MFE），在多款量产会议终端上经受实测验证，显著提升了复杂光照下的人脸画质表现。

未来，随着生成式AI在端侧落地与端云协同机制成熟，“所见即所得、无感自适应”的会议影像体验将成为行业标配。工程师需持续关注算力效能比优化、跨模态感知融合、隐私合规数据闭环三大技术演进主线，构建更鲁棒、更智能的会议影像系统。

作者注：文中算法细节及参数配置基于通用工程经验总结，具体落地需结合芯片平台ISP能力、传感器规格、光学模组特性及产品形态进行定制化调优。欢迎业内同仁交流探讨。

智能会议室环境光自适应补光：多模态感知融合、补光光学架构与工程化落地全链路实践（下）

接上文对ISP动态调优管线与RL-MFE曝光收敛算法的深度剖析，本文将聚焦于多模态传感器融合感知架构、可控补光光学系统设计、全链路画质评价与自动化测试体系、以及跨平台适配与隐私合规工程化实践，构建智能会议终端“感知-决策-执行-验证”完整技术闭环。

一、 多模态传感器融合：构建抗干扰的光照感知骨干

单一RGB传感器在强逆光、纯红外补光、高频闪等极端场景下易失效。工程级方案需引入RGB+IR+ToF/结构光三模融合，建立物理层面的光照不变性表征。

1.1 硬件时序同步与像素对齐

核心痛点：RGB滚动快门、IR全局快门、ToF调制频率异构，导致时空错位。

解决方案：

• 硬件触发对齐：ISP作为Master，输出FSYNC信号同步触发IR/ToF Sensor，时间抖动<100μs。
• 几何校准在线化：利用棋盘格/编码板标定内外参，运行时通过稀疏特征点光流跟踪实时补偿热漂移带来的基线偏移（精度<0.5像素）。
• 深度引导的RGB补全：ToF深度图（典型分辨率320×240）经联合双边上采样（JBU）至RGB分辨率，生成逐像素深度图$D_{rgb}$，作为后续分区曝光、补光遮罩的几何先验。

1.2 抗强光饱和的IR辅助曝光估计

当RGB通道因投影强光/窗户逆光饱和（像素值>250）时，IR通道（940nm窄带滤波）通常保持线性响应。

融合曝光值（EV）计算流程：

EV_{fused} = begin{cases} 
EV_{rgb} & text{if } text{SatRatio}_{rgb} < 5% \
alpha cdot EV_{ir} + (1-alpha) cdot EV_{rgb_valid} & text{else}
end{cases}

其中$alpha$由IR信噪比动态决定：$SNR_{ir} > 30dB$时$alpha=0.8$，否则回退至RGB有效区域统计。实测在100klux直射阳光下，该策略将曝光估计误差从>3EV降至<0.5EV。

1.3 语义级光照分区图生成

融合人脸检测框、人体骨架、文档/白板检测框、投影屏幕分割Mask、窗口天空分割Mask，生成语义光照分区图（Semantic Light Map），每个区域标注：

• Zone_Type: {FACE, DOCUMENT, SCREEN, WINDOW, WALL, BACKGROUND}
• Target_Y: 目标亮度（人脸118、文档180、屏幕保持原相）
• Weight: AE统计权重（人脸1.0、文档0.7、屏幕0.1、窗口0.0）
• CT_Target: 目标色温（人脸肤色优先、文档还原优先）

此图直接驱动ISP分区统计引擎与补光分区控制，实现“以人为主、文档次之、屏幕不抢戏、窗口不参与”的智能测光策略。

二、 可控补光光学系统：从“亮得够”到“光得准”

补光不再是简单的“开大灯”，而是光谱可控、空间可寻址、时序可编程的主动光学系统。

2.1 屏幕补光：像素级辐射度校准与色域映射

利用会议平板自带LCD/OLED面板作为大面积、柔和、色温可调补光源。

2.2 外挂模组化补光灯：光学自由度设计

针对>3米远场、大视野会议室，设计模组化矩阵补光灯（典型4×4或6×6 Micro-LED阵列）。

• 光学自由度：每颗Micro-LED独立驱动（PWM 12bit+电流 10bit），支持波形合成任意光斑形状（矩形、椭圆、羽化边缘）。
• 空间寻址算法：输入人脸3D坐标$(X,Y,Z)$，经光学畸变模型反解，计算各Micro-LED驱动电流向量$vec{I}$，使照度分布$E(x,y)$拟合目标高斯分布：
  $$ min_{vec{I}} | mathbf{M} vec{I} - E_{target} |^2 + lambda |vec{I}|_1 $$
  其中$mathbf{M}$为光传输矩阵（离线标定），$L_1$正则促进稀疏驱动（省电、减散热）。
• 色温混合：双色温LED（2700K+6500K）按比例驱动，实现2700K-6500K连续可调，配合RGB Sensor实时反馈闭环校正，色温准确度±50K。

2.3 补光与ISP的联合优化：联合代价函数

打破“补光定策略、ISP跟着调”串行模式，建立联合优化目标：

$$ min_{theta_{isp}, vec{I}_{fill}} mathcal{L}_{iq}(ISP(theta_{isp}, RAW + Fill(vec{I}_{fill}))) + mathcal{P}_{power}(vec{I}_{fill}) + mathcal{P}_{flicker}(theta_{isp}, vec{I}_{fill}) $$

• $mathcal{L}_{iq}$: 画质损失（人脸SNR、色彩保真度、细节锐度）
• $mathcal{P}_{power}$: 补光功耗惩罚（电池供电场景关键）
• $mathcal{P}_{flicker}$: 频闪风险惩罚（约束PWM频率>3kHz、调制深度<5%）

采用交替优化（Alternating Optimization）在线求解：固定补光优化ISP参数（查表+微调）→ 固定ISP优化补光驱动（凸优化求解器，<5ms收敛）→ 迭代2-3轮。实测较串行策略，人脸SNR提升2.3dB，补光功耗降低35%。

三、 全链路画质评价体系与自动化测试平台

“主观好看”不可量化，需建立客观指标→主观映射→自动化回归的标准化评价体系。

3.1 会议场景专用客观指标集

3.2 标准光箱+机械臂自动化测试站

搭建CIE标准光箱（D65/A/F11/TL84可切换）+ 6轴机械臂 + 标准测试卡（X-Rite ColorChecker SG、ISO 15739动态范围卡、定制人脸肤色卡）+ 可编程投影仪/补光灯阵列。

自动化测试流水线（CI/CD集成）：

1. 场景脚本化：YAML定义光照序列（如：D65_500lux -> Projector_On -> Curtain_Half -> Flicker_50Hz）
2. 机械臂执行：自动切换滤光片、调整测试卡姿态、移动模拟人头模型
3. 设备采集：DUT自动拍摄RAW/JPG/视频流，上传MinIO
4. 指标计算：GPU集群并行跑指标脚本，输出JSON报告
5. 准入判定：对比Baseline阈值，自动阻断发版或生成差异报告

效能：单版本全回归（120+场景）从人工3天压缩至4小时，覆盖率100%，人为漏测率0。

3.3 主观评价量化：双盲A/B测试与MOS建模

• 双盲设计：隐藏算法版本、品牌标识，随机播放视频片段
• 评价维度：整体画质、肤色自然度、噪点感知、运动流畅度、眩光舒适度
• 评分量表：ACR-HR 5级制（1-5分）
• 统计分析：方差分析(ANOVA)显著性检验(p<0.05) + 多重比较(Tukey HSD)
• MOS预测模型：训练轻量回归网络（输入：客观指标向量 → 输出：MOS），$R^2>0.92$，用于日常回归快速预警主观下滑。

四、 跨异构算力平台适配与部署优化

会议终端芯片平台碎片化严重（瑞芯微RK3588/3576、高通QCS8250/6490、联发科Genio 700/1200、国产替代平台），ISP硬件架构、NPU指令集、内存带宽差异巨大。

4.1 算法与硬件解耦：HAL层抽象设计

定义统一ISP算法抽象层（IAAL - ISP Algorithm Abstraction Layer），屏蔽底层差异：

// 核心接口定义 (C++17 Concepts约束)
template <typename HW_ISP>
concept ISP_Hardware = requires(HW_ISP hw, const ISP_Params& p, ISP_Stats& s) {
    { hw.apply_params(p) } -> std::same_as<int>;
    { hw.get_stats(s) } -> std::same_as<int>;
    { hw.get_capability() } -> std::same_as<ISP_Capability>;
};

// 算法核心仅依赖Concept，不依赖具体厂商SDK
class RL_MFE_Controller {
public:
    template<ISP_Hardware HW>
    void run_step(HW& isp, const FrameContext& ctx) {
        auto params = policy_net_.infer(ctx); // 统一推理接口
        isp.apply_params(adapt_to_hw(params, isp.get_capability()));
    }
private:
    // 硬件适配器：将通用参数映射为厂商寄存器配置
    ISP_Params adapt_to_hw(const Generic_Params& gp, const ISP_Capability& cap);
};

4.2 NPU算子移植与量化落地差异对比

关键优化技巧：

• 算子融合：Conv+BN+ReLU、MatMul+Add+Sigmoid融合为单Kernel
• 内存池管理：预分配输入/输出/中间Tensor Buffer，避免推理时malloc/free抖动
• 异步流水线：Frame N: NPU推理 并行 Frame N: ISP统计读取 + CPU后处理 并行 Frame N-1: 编码推流

4.3 内存带宽优化：YUV/RGB/RAW多格式零拷贝流转

会议场景常需同时输出：编码流(NV12)、预览流(RGBA)、AI分析流(NV12/灰度)、录制流(P010 10bit)。

零拷贝架构：

1. ISP输出单一源Buffer (RAW10/RGBIR) 进入系统级DMA重排引擎。

2. 配置多通道DMA描述符链表，一键分发至：

   • Video Encoder (NV12, ストライド对齐)
   • GPU Texture (RGBA8888, 无需CPU触发)
   • NPU Input Buffer (NV12/Planar, 量化参数附带)
   • Display Controller (P010, HDR元数据注入)
3. Buffer引用计数管理：各消费者acquire/release，最后一个释放时返还ISP Buffer Pool。

实测RK3588平台，4路1080p60输出，DDR带宽占用从 4.2GB/s 降至 1.8GB/s，功耗降低1.2W。

五、 隐私合规与数据闭环：可落地的联邦学习实践

算法迭代需要真实会议数据，但企业会议内容涉及商业机密、人脸生物特征，严禁上传云端。

5.1 端侧匿名化特征提取管线

设备端仅上传去标识化统计特征，不上传图像/视频：

// 上报数据结构定义
message TelemetryReport {
  string device_id_hash = 1;      // 单向哈希，不可逆
  uint64 timestamp = 2;
  LightFingerprint light_fp = 3;  // 仅含EV、CT、DR、频闪频率等标量
  Face_Stats face_stats = 4;      // 人脸数、位置分布、亮度直方图(10bins)、遮挡率
  IQA_Metrics iqa = 5;            // 客观指标(FEE, STF, SNR等)
  Algo_Params algo_params = 6;    // 当前生效的ISP/AE参数集ID
  // 严禁包含: 原始像素、人脸特征向量、音频、会议ID、用户ID
}

5.2 联邦学习框架：Horizontal FL + 安全聚合

• 参与方：数万台终端设备（Client）
• 服务端：参数服务器（Server），仅聚合模型更新

• 流程：

  1. Server下发全局模型$W_g$（RL-MFE Policy Net / 场景分类器）
  2. Client本地数据训练$E$个Epoch，得增量$Delta W_i$
  3. 安全聚合：Client两两建立掩码，Server仅解密$sum Delta W_i$，无法还原单个$Delta W_i$
  4. Server更新$W_g leftarrow W_g + eta cdot frac{1}{N}sum Delta W_i$
  5. 差分隐私：聚合前加入高斯噪声$mathcal{N}(0, sigma^2)$，$sigma$按隐私预算$epsilon$计算

合规认证：通过ISO 27001、ISO 27701、等保三级测评，数据流向经法务审批备案。

5.3 合成数据增强：缓解长尾场景数据稀缺

针对“极暗+强逆光+多色温+频闪”组合爆炸导致的长尾样本不足，引入可控扩散模型生成合成RAW数据：

• 条件输入：光照指纹向量 + 3D场景布局(Blender程序化生成) + 人脸/人体姿态
• 渲染管线：Mitsuba 3 光谱渲染 → Sensor模型(Quantum Efficiency, Read Noise, Dark Current, PRNU, Crosstalk) → RAW域数据
• 域适应：CycleGAN将合成RAW风格迁移至真实Sensor域，保留标签准确性
• 效果：合成数据占比30%时，长尾场景(<5lux + 强逆光)分类召回率提升22%，RL-MFE收敛稳定性显著改善。

六、 典型场景专项调优策略：文档展示、白板书写、发言人跟踪

会议非单一“开会”场景，ISP需具备场景模式瞬时切换能力。

6.1 文档/白板模式：几何校正与笔迹增强优先

6.2 发言人跟踪模式：低延迟ROI曝光与预测性补光

• 音视频融合定向：麦克风阵列DOA(到达角) + 视觉人脸检测 → 卡尔曼滤波融合 → 发言人ROI框
• ROI曝光锁定：AE统计窗口硬切换至发言人人脸区域(权重1.0)，其余区域权重0.1，收敛时间<2帧(33ms)
• 预测性补光跟随：基于发言人头部姿态/速度预测未来100ms位置，提前驱动外挂补光灯矩阵光斑移动，消除补光滞后感
• 非发言人保护：非发言人区域启动隐私模糊/降亮度策略(可配置)，兼顾画面层次与隐私

6.3 混合模式自动切换状态机

stateDiagram-v2
    [*] --> IDLE
    IDLE --> SPEAKER_TRACK : VAD触发 + 人脸检测到
    IDLE --> DOC_MODE : 文档检测置信度>0.9 + 静止>3s
    SPEAKER_TRACK --> DOC_MODE : 发言人停止>5s + 文档检测稳定
    DOC_MODE --> SPEAKER_TRACK : 检测到发言人 + VAD触发
    SPEAKER_TRACK --> IDLE : 无人发言>30s
    DOC_MODE --> IDLE : 文档移除/遮挡>10s

切换平滑机制：状态切换时，ISP参数、补光参数交叉淡入淡出(500ms-1s)，避免画面突变。

七、 结语：走向“零感知”智能光影的工程哲学

智能会议室环境光自适应补光，本质是在非受控物理环境中，用有限算力、受限功耗、合规数据，实现对人眼视觉系统的“数学逼近”与“工程超越”。

从多模态感知重建物理光场，到动态ISP管线释放传感器极限；从强化学习实现曝光策略的最优控制，到可控光学系统重塑补光自由度；再到自动化评价体系保障交付质量、异构平台适配屏蔽硬件差异、联邦学习构建隐私合规进化闭环——每一环都考验着系统工程的抽象建模与工程落地能力。

未来的演进方向不再是单点指标的堆砌，而是：

1. 世界模型驱动：终端构建会议室的时空一致光照世界模型，实现“预判式”补光与曝光，实现真正的“零延迟”自适应。
2. 生成式重建成主流：在物理光子极度匮乏时，以生成式先验补全细节，突破信噪比物理瓶颈。
3. 软硬件协同设计：ISP架构向可编程、数据流驱动演进，算法下沉硬件，软件定义成像。

唯有深耕光学物理本质，精通算法数学边界，敬畏工程落地细节，方能让技术隐于无形，还原会议沟通“见人、见物、见真章”的本真体验。

工程师手册·快速检索索引

• 关键代码仓库：isp_tuning/dynamic_lut, algo/rl_mfe, hal/iaal, test/auto_iqa
• 核心配置文件：scene_clusters.yaml, isp_capability.json, fill_light_calib.bin
• 调试工具：ISP_Tuning_Tool_v3.2 (支持实时寄存器波形、统计图可视化、参数热加载)
• 合规清单：PRIVACY_IMPACT_ASSESSMENT_v1.0.xlsx, DATA_FLOW_DIAGRAM.drawio
• 常用指令：adb shell dmesg -T | grep isp, cat /sys/kernel/debug/isp/state, npu_profiler --model rl_mfe.rknn