[论文解读] Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis

Xiaolong Qian, Qi Jiang+6 more|arXiv (Cornell University)|Mar 12, 2026

Image Enhancement Techniques被引用 0

一句话总结

本文提出 UniCAC，一个用于跨镜头通用计算性像差矫正（CAC）的多镜头基准，并提出 Optical Degradation Evaluator（ODE）以量化 CAC 难度，并对 24 种模型进行综合评估。

ABSTRACT

Prevalent Computational Aberration Correction (CAC) methods are typically tailored to specific optical systems, leading to poor generalization and labor-intensive re-training for new lenses. Developing CAC paradigms capable of generalizing across diverse photographic lenses offers a promising solution to these challenges. However, efforts to achieve such cross-lens universality within consumer photography are still in their early stages due to the lack of a comprehensive benchmark that encompasses a sufficiently wide range of optical aberrations. Furthermore, it remains unclear which specific factors influence existing CAC methods and how these factors affect their performance. In this paper, we present comprehensive experiments and evaluations involving 24 image restoration and CAC algorithms, utilizing our newly proposed UniCAC, a large-scale benchmark for photographic cameras constructed via automatic optical design. The Optical Degradation Evaluator (ODE) is introduced as a novel framework to objectively assess the difficulty of CAC tasks, offering credible quantification of optical aberrations and enabling reliable evaluation. Drawing on our comparative analysis, we identify three key factors -- prior utilization, network architecture, and training strategy -- that most significantly influence CAC performance, and further investigate their respective effects. We believe that our benchmark, dataset, and observations contribute foundational insights to related areas and lay the groundwork for future investigations. Benchmarks, codes, and Zemax files will be available at https://github.com/XiaolongQian/UniCAC.

研究动机与目标

• 推动能在未见镜头上具有泛化能力的通用 CAC，适用于消费摄影。
• 构建 UniCACLib，通过自动光学设计实现对球面与非球面设计的多样化镜头大库。
• 提出 ODE，通过整合图像保真度和光学质量指标来量化 CAC 的难度。
• 评估广泛的重建与 CAC 模型以识别影响性能的因素。
• 为提升通用 CAC 提供先验、架构与训练策略方面的指导。

提出的方法

• 将 OptiFusion 扩展用于为 UniCACLib 设计多样化的球面和非球面镜头。
• 引入 Optical Degradation Evaluator（ODE），通过结合 OIQ、空间均匀性与通道均匀性来量化 CAC 的难度。
• 从 UniCACLib 中抽取镜头，形成五个基于 ODE 的降级等级以进行基准测试。
• 在 UniCACLib 上对 24 种 CAC 与 IR 模型在不同像差强度下评估，并报告多项指标。
• 计算总体性能（OP）分数，以在图像保真度、光学质量与感知质量之间实现平衡。

实验结果

研究问题

• RQ1 通用 CAC 模型在未见镜头上的泛化能力在不重新训练的情况下有多高？
• RQ2 哪些镜头因素和先验对在多样化设计中 CAC 性能影响最大？
• RQ3 在不同像差强度和色差条件下，不同模型架构与训练范式的表现如何？
• RQ4 ODE 能否可靠量化 CAC 难度并在跨镜头的基准测试中提供有意义的引导？

主要发现

• 基于学习的方法在 CAC 任务中优于基于优化的方法。
• 基于回归的训练提高图像保真度，而基于 GAN/扩散的方法在感知质量方面更具优势。
• PSF 感知先验（如 PART）有助于提升对未见镜头的泛化；PSF 注意力有助于对像差的调制。
• 光学先验（OIQE）与图像先验（码本、扩散先验）显著提升 CAC 性能。
• 扩散式方法在严重像差下显示出较强的生成先验带来的优势。
• 基于 CNN 的结构在 CAC 性能与速度之间取得较好的平衡。