数码照片中的自动除尘校正：DxO PureRAW ⁶ 如何利用深度学习检测并移除粉尘斑点

DxO PureRAW ⁶ 全新推出自动粉尘检测与去除功能：只需一次点击，即可识别整幅图像中的灰尘污点并将其彻底清除，将以往繁琐的手动修复过程实现自动化。 该功能结合了先进的目标检测神经网络与 DxO 久经验证的图像修复引擎。

可为用户带来的主要优势

• 全自动工作流程。 只需勾选一个复选框，即可完成粉尘检测与移除。 可对整组照片进行批量处理，使每一张图像都干净无瑕。
• 可调节灵敏度。 通过滑块，用户可以在处理尽可能多的灰尘斑点（高灵敏度）与减少误判风险（低灵敏度）之间灵活取舍。

（当然，我们仍然建议您时不时清洁一下设备。 ）

问题所在

可换镜头相机在使用过程中，传感器或镜头上往往会积聚灰尘。 这些微粒会在图像中投下细小而柔和的阴影，在天空或影棚背景等平滑、均匀的区域中尤为明显。

长期以来，摄影师只能在后期处理中解决这一问题，通常使用修复、修补或润饰画笔来处理。 当图像受到严重影响，或需要处理大量图像时，这一过程很快就会变得繁琐而耗时。

DxO PureRAW ⁶ 将这一流程实现了自动化。 检测算法会扫描图像中的粉尘斑点，随后由图像修复算法自动将其逐一移除。

为何粉尘检测具有挑战性

乍看之下，传感器粉尘似乎很容易描述：小而暗、形状大致呈圆形的斑点。 然而，这种表面上的简单其实具有误导性； 一些特性使得可靠的检测远比想象中困难。

极其细微： 大多数粉尘斑点只会削弱很小一部分入射光——通常仅 5% 到 20%。 它们更像是淡淡的污痕，而不是不透明的黑斑，其可见程度在很大程度上取决于底层图像内容。

空间尺度极小：在完整分辨率下，一个典型的粉尘斑点通常只覆盖少数几个像素——如此微小的尺寸，使得那些针对人物或车辆等目标优化的通用目标检测器很难识别它们。

缺乏明显结构：与主流检测器擅长识别的对象不同——例如具有眼睛、鼻子和嘴巴的面孔，或拥有车轮与车窗的汽车——粉尘斑点几乎没有可供神经网络捕捉的结构特征。 本质上，它只是一个淡淡的深色污渍。

高度多变：粉尘斑点的外观取决于多种因素，比如颗粒的大小与形状、其与传感器表面的距离、镜头光圈，以及底层场景的颜色与亮度。 有些斑点呈现为边缘清晰的圆形；有些则像柔和、弥散的光晕。 有的在明亮的天空背景上几乎呈黑色；有的则与图像噪点几乎难以区分。 这种多样性远比乍看之下所想象的更加复杂。 此外，由于其表现还受到光圈与场景内容的影响，同一颗实际存在的粉尘颗粒，在不同照片中看起来也可能截然不同。

检测模型：RF-DETR

该功能的核心是 RF-DETR，一种基于 Transformer 的目标检测架构。 我们评估了多种检测架构，包括多代基于 CNN 的模型。 最终选择 RF-DETR，基于以下几方面原因：

领先的检测精度：RF-DETR 在标准目标检测基准测试中取得了顶尖成绩，在性能上优于许多广为人知的替代方案。

多种模型规模：RF-DETR 提供 Nano、Small、Medium、Large 和 XL 多种模型版本，使我们能够在检测精度与计算成本之间取得最佳平衡。 最终我们选择了
Medium（中型）版本（约 3300 万个参数）。
与分辨率无关的架构：RF-DETR 不包含会固定输入分辨率的全连接层。 这种灵活性对于我们的分块推理策略至关重要，图像会被划分为多个 512×512 像素的重叠区域，检测模型在每个区域上独立运行， 随后再将结果合并，得到整张图像的最终检测结果。

在标准基准测试中，RF-DETR 可以检测数十种对象类别——如人物、车辆、动物和家具等。 而在我们的应用场景中，我们将该模型重新训练，使其只识别一个类别：粉尘斑点。 真正的挑战并不在于分类，而在于检测——即在庞大的图像中找出那些微小、低对比度的特征。

训练数据

要训练出一个可靠的粉尘检测模型，必须让网络接触到大量样本，涵盖粉尘形态、不透明度、模糊程度以及背景场景的各种可能组合。

我们首先收集了数千张包含真实灰尘污点的照片，并由人工逐一进行精确标注。 该真实数据集已涵盖了粉尘在形状、尺寸、不透明度、模糊程度以及背景环境方面的广泛多样性，但我们仍希望进一步扩展数据的覆盖范围。

凭借在图像与信号处理方面的专业积累，我们的研究团队开发了一套粉尘合成器：一种紧凑的算法，可生成与真实粉尘斑点几乎无法区分的模拟斑点，并将其叠加到随机的真实或合成背景图像上。 该合成器对真实粉尘的关键物理特性进行了建模，包括不规则的斑点形状、在线性空间中对各颜色通道的光线衰减、柔化边缘的模糊效果，以及某些颗粒可能呈现的方向性阴影。 每项参数都在经过精心校准的范围内随机化生成，这些范围源自对真实粉尘斑点的统计分析。

这种合成数据的方法能够确保训练集中粉尘特征与背景场景的分布更加均衡，从而避免人工收集数据集中不可避免的偏差。 例如，它可以保证网络能够看到足够多的极其微弱的斑点、极小的斑点，以及各种非常规背景——这些组合在纯真实数据集中往往会被低估或缺失。

在训练过程中，我们的粉尘检测网络总共接触了约一百万个粉尘斑点样本，其中既包含真实样本，也包含合成样本。

DeepPRIME XD3：第四代 AI 降噪和去马赛克技术

DxO PureRAW⁶ 全新推出面向拜耳传感器的 DeepPRIME XD3，这是 DxO 最新一代基于深度学习的 RAW 图像处理引擎。单一神经网络现可同时执行三项任务——降噪、去马赛克以及色差校正——呈现比前代更加精细的图像细节。
这项技术建立在三大核心基础之上：
一是全新的多任务架构将色差校正纳入网络处理范畴；
二是通过大量研究优化得到的卷积网络结构；
三是显著改进的训练流程，有效缩小了合成训练数据与真实 RAW 图像之间的差距。

核心优势

• 更出色的图像质量：色彩重建更纯净，细节更丰富，伪影更少——尤其在高频纹理与边缘区域表现更为明显；对于未配备光学低通滤镜的较新传感器效果尤为突出。
• 处理速度不变：尽管网络能力大幅提升，DeepPRIME XD3 在消费级硬件上的处理速度与 DeepPRIME XD2s 相当。
• 广泛的兼容性：DeepPRIME XD3 融合了我们在 RAW 图像处理领域的所有最新进展，并现已支持所有类型的传感器。

六年磨一剑

RAW 转换——即将相机传感器上由噪点干扰的单色采样马赛克还原为完整彩色照片的过程——二十多年来一直是 DxO 专长的核心所在。 2020 年，DxO 推出了 DeepPRIME，这是首个在单次处理流程中同时完成降噪与去马赛克的商用神经网络技术。

此后，我们不断努力将画质推向新的高度。 正是深度学习与这种整体式处理方法，使我们最终得以支持 X-Trans 传感器——这种传感器应用于 Fujifilm 的部分相机型号， 而此前我们的传统降噪算法一直无法支持。 2022年，我们推出了“XD”（eXtra Detail，额外细节）系列——作为
DeepPRIME 引擎的更高阶版本，旨在追求尽可能卓越的图像质量。当然，这也意味着更高的计算负载，需要强大的 GPU 支持，或者足够的耐心。

2020 — DxO PhotoLab⁴
DeepPRIME。 在单一深度神经网络中同时完成降噪和去马赛克（仅支持拜耳传感器）。

2022 — DxO PureRAW ²
DeepPRIME 扩展支持 X-Trans 传感器。

2022 — DxO PhotoLab⁶
DeepPRIME XD（"eXtra Detail"，额外细节）。 采用更强大的网络架构与感知损失函数，以鼓励更精细的细节还原（仅支持拜耳传感器）。

2023 — DxO PureRAW ³
DeepPRIME XD 扩展支持 X-Trans 传感器。

2024 — DxO PureRAW ⁴
DeepPRIME XD2。 引入对抗性判别器损失（Adversarial Discriminator Loss），实现更自然的渲染效果（仅限拜耳传感器）。

2024 — DxO PhotoLab⁸
DeepPRIME XD2s。 针对特定相机机身改进噪点校准。

2025 — DxO PureRAW ⁵
DeepPRIME 3。 三项联合处理任务：降噪、去马赛克和色差校正（支持拜耳和 X-Trans 传感器）。

2025 — DxO PhotoLab⁹
DeepPRIME XD3。 更强大的网络架构与两阶段训练（仅支持 X-Trans 传感器）。

2026 — DxO PureRAW ⁶
DeepPRIME XD3 扩展支持拜耳传感器。

在 DeepPRIME XD3 的开发过程中，首先聚焦 X-Trans 传感器是一个顺理成章的选择：与拜耳传感器用户已经在使用的 DeepPRIME XD2s 相比，X-Trans 版本的 DeepPRIME XD 更为老旧，也更容易被新一代技术超越。 但这也让拜耳传感器用户的情况一度变得略显复杂。 在大多数图像上，DeepPRIME XD2s 仍然能够提供最高的画质；然而在某些受色差影响的低 ISO 图像上，DeepPRIME 3 反而可能带来更好的结果。 DeepPRIME XD3 对拜耳传感器的支持，终于让我们回到了自 2023 年以来久违的简洁选择：无论您使用哪款相机，都可以在两种 RAW 转换神经网络之间进行选择——一种在处理速度与图像质量之间取得平衡，另一种则专注于追求极致的图像质量。

RAW 图像复原的挑战

由 CMOS 传感器拍摄的每一张数字图像，在任何软件处理之前都已经包含三种基本缺陷：

色彩马赛克：传感器并不会在每个像素位置记录完整的色彩信息。 相反，一层由微型彩色滤镜组成的阵列，使每个感光单元只能记录红、绿或蓝三种颜色中的一种。 因此，在每个像素位置重建缺失的另外两种颜色值，便是去马赛克的任务。 在数字摄影中常见的滤镜阵列主要有两种：拜耳（约占所有数码相机的 95%）以及 X-Trans（约占其余 5%）。

传感器噪点：每个感光单元接收到的光子数量都具有随机性， 由此产生的散粒噪声是光本身不可避免的物理特性，而电子读取噪点又会进一步加剧这一问题。 在高 ISO 感光度下，噪点甚至可能完全掩盖细微细节。

色差：大多数镜头无法将所有波长的光精确聚焦到同一点， 从而在红、绿、蓝通道之间出现微小的横向位移。这种偏移会在高反差边缘处表现为可见的彩色边缘。

传统的 RAW 处理通常将这三类问题分别处理：去马赛克算法负责插值重建缺失的色彩，独立的降噪模块抑制噪点，而第三个模块则用于校正色差。 各个模块彼此独立运行，无法感知其他步骤的处理结果；同时，每一步都可能引入新的伪影，从而增加后续处理的复杂度。 自 2020 年推出 DeepPRIME 以来，DxO 的思路始终是通过单一神经网络联合解决多个问题。 在 DeepPRIME XD3 中，这一原则如今已扩展至同时处理上述三种缺陷。

三种缺陷，一个网络

将降噪、去马赛克与色差校正联合校正处理，其根本原因在于这三者之间存在着内在的相互依赖关系。

试想一下，当这些任务被分开处理时会发生什么? 对 RAW 图像进行降噪，需要一定程度理解马赛克排列与真实场景结构之间的关系——本质上相当于在处理过程中进行一次隐式的去马赛克。 反过来，对含有噪点的图像进行去马赛克，则需要能够透过噪点辨识结构——本质上是一种隐式的降噪——因为区分真实边缘与噪点波动，对于正确的色彩插值至关重要。 而当图像受到色差影响时进行去马赛克，其问题几乎等同于色差校正本身：如果红、绿、蓝三个通道在空间位置上存在横向偏移，那么要在每个像素位置重建正确的颜色，就必须在某种程度上“设想”当这些通道重新对齐后图像应当呈现的样子。

如果将这三项任务分别交由三个独立的网络处理——即使这些网络已经针对前一阶段产生的伪影进行训练——整体上仍会需要更多的参数和更高的计算量，因为每个网络都必须在内部重复实现其他网络的一部分“智能”。 其结果要么是在相同画质下需要更长的处理时间，要么是在相同处理速度下只能获得更低的画质。

相比之下，单一网络可以在三项任务之间共享内部表征。 它在学习如何为去马赛克检测边缘时所提取的特征，同时也能帮助区分真实信号与噪点，并识别各色通道之间的横向色度偏移。

合成训练数据

神经网络的表现很大程度上取决于其训练数据的质量。 对于 DeepPRIME XD3 而言，训练数据的质量与真实度与网络架构本身同等重要。

训练数据难题

当 DxO 于 2018 年开始 DeepPRIME 研究时，一个根本性问题随之出现：如何获取监督式神经网络所需的训练样本——即退化输入图像与其对应的理想原始图像这一成对数据？

所有方案都曾被认真考虑过。 最直观的方法似乎是拍摄成对的真实照片——同一场景的一张低 ISO 干净图像，与一张高 ISO 噪点图像进行配对。但实践证明这一方法并不现实：两次曝光很难做到完全对齐，移动主体会带来不一致，而且这种流程还必须针对 DxO 所支持的每一款相机机型和每一个 ISO 感光度重复进行。 另一种“噪点到噪点”（noise-to-noise）方法用连拍序列代替干净的参考图像也同样面临类似的扩展性瓶颈。 而传统的人工标注——大多数监督学习的基础——在这里更是无法实现：没有任何人能够仅凭一幅充满噪点、且每个像素只有单一颜色通道的马赛克图像，为数十亿个像素给出正确的全彩图像与无噪点输出。

这就只剩下一种可行方案：合成训练数据。其思路是从高质量、干净的原始照片出发，模拟真实相机传感器在拍摄过程中产生的各种缺陷。 这样，每个训练样本便由一对图像构成：一张经过合成退化处理的图像，以及作为真值参考的原始完美图像。 从理论上看，这是目前最具可扩展性的解决方案。 DxO 已支持 600 多款相机机身，每款机型大约对应 20 个 ISO 设置，仅这一项就带来了 12,000 多种可能配置。 而这仅仅是噪点方面：色差还会受到镜头、光圈、变焦设置和对焦距离的影响。 如果我们想要为每一种“相机 - ISO - 镜头”的组合都拍摄真实图像配对，配置数量将迅速膨胀到数百万级。 相比之下，合成数据生成可以利用同一批真实参考图像覆盖所有这些情况。

分布差异

合成数据面临的主要挑战，是所谓的“分布差异”：即用于训练的模拟图像，与神经网络在实际应用中所处理的真实 RAW 文件之间在统计特性上的差异。

一种简单的模拟方法——例如轻微偏移色彩通道以模拟色差、移除三种颜色中的两种来模拟拜耳传感器的马赛克结构，然后添加高斯白噪点——足以生成本文白皮书中的示意图。 但这远不足以训练一个神经网络。 如果网络只在这种理想化的数据上进行训练，它或许能够很好地处理来自同一模拟过程的合成图像——甚至包括训练过程中从未见过的图像——但在面对真实相机拍摄的 RAW 文件时，表现却会失效。

真实的 RAW 图像在许多方面都不同于这种简单的模拟：

噪点并非纯粹的高斯白噪点：光子散粒噪声确实是白噪点，并且与信号强度相关，这是由光的物理特性所决定的。 然而，真实的传感器数据通常是光子噪点与电子噪点的混合。 其中的电子噪点——读取噪点、暗电流、条纹噪点——可能表现出空间相关性、非高斯分布尾部以及固定模式噪点，并且会随着不同传感器设计而有所差异。

色差在画面各处的表现并不相同：横向色移并不均匀——其大小和方向从图像中心到边角各不相同，取决于每支特定镜头的光学特性。

“RAW”文件并非真正的 RAW：在数据写入存储卡之前，相机会对信号执行一系列机内处理步骤，从而改变原始信号，例如：黑电平校正、固定模式噪点消除、静态坏点修复以及对焦像素插值。 有些厂商甚至会更进一步，对所谓的 RAW 数据应用不可逆压缩，甚至进行一定程度的降噪处理。

传感器行为随使用条件而变化。 噪点特性会随传感器温度、快门模式（机械快门与电子快门）及其他工作条件的不同而发生变化。 而这些特性不仅因厂商不同而有所差异，也会随着相机代际更新而改变。 与此同时，厂商通常不会公开其机内处理流程的细节。 因此，我们只能通过细致的观察与分析来推断这些处理机制。

弥合差距

自 2018 年以来，DxO 一直动用一切可用资源来尽量缩小这种分布差异：包括二十余年的图像信号处理经验，以及尤为关键、在业内独一无二的专有校准数据库。 对于每一款受支持的相机机身、每一档 ISO 设置，DxO 实验室都拍摄并分析了校准图像——包括拍摄内容和暗场帧——以全面表征噪点的完整统计特征：不仅是标准差，还包括其分布形态、机内处理引入的空间相关性，以及这些特性在传感器不同区域和不同工作条件下的变化。 这一数据库最初是为 DxO 的传统降噪算法而建立，但事实证明，它也成为了训练神经网络的宝贵基础。

有时，一些相机仍会暴露出现有模拟模型尚未覆盖的情况。 一个近期的案例充分说明了这一挑战：Fujifilm 第四代和第五代 X-Trans 传感器相较于前三代发生了某些变化。 尽管我们进行了大量尝试，DeepPRIME XD2 的训练流程始终未能在这些传感器上取得令人满意的效果，这也是 DeepPRIME XD2 与 XD2s 最终仅支持拜耳传感器的原因。

在 DeepPRIME XD3 的开发中，对这些传感器实现完善支持被列为首要任务。 历经数月的深入研究，团队逐一剖析了新一代 X-Trans 传感器与前代之间的差异，并系统性地调整训练数据的合成方式，直至将分布差异缩小到足以让网络在这些相机拍摄的真实图像上实现良好泛化。

寻找最佳网络架构

新增第三项任务并提升去马赛克质量的要求，需要更强大的网络架构。 团队首先进行了广泛探索： 既测试了当今在深度学习多个领域占据主导地位的 Transformer 架构，也评估了多种 卷积神经网络（CNN） 设计。 对于这一特定任务——从噪点干扰且信息不完整的数据中恢复细微的局部图像细节——CNN 依然表现得更为高效。 其固有的局部偏置特性聚焦于小范围空间邻域，天然有助于在不凭空生成不存在结构的情况下平滑噪点。 而 Transformer 由于擅长建模长距离依赖关系，反而更容易让噪点被保留下来，而不是被抑制。 对于降噪任务而言，CNN 对局部规律性的这种偏好并非局限，反而正是其优势所在。

DeepPRIME XD3 的一个早期原型已经达到了预期的画质表现，但其运行速度却比 DeepPRIME XD2s 慢三倍——对于需要处理数千张图像的生产工具而言，这太慢了。 因此，团队面临的挑战是：在相同计算预算下，设计出同样智能、却更高效的网络架构。 为此，团队探索了多种方案，包括不同的卷积模块设计、以可分离卷积替代前几代所使用的完整 3D 卷积、测试不同的激活函数，以及调整 U-Net 各个尺度层级之间的计算资源分配。

每种候选架构都会在 Nvidia H100 GPU 上训练约三周。 整个过程中共评估了约 50 种配置，仅用于架构探索的 H100 GPU 累计计算时间约达三年。

整个过程执行了两轮：第一次针对 X-Trans 传感器，第二次针对拜耳传感器。 这也是为什么拜耳版本直到现在才随
DxO PureRAW ⁶ 发布，而 X-Trans 版本早在六个月前就已在 DxO PhotoLab⁹ 中推出。<4>
最终得到的是一个参数规模远超 DeepPRIME XD2s 的网络架构，但通过合理设计，使其在消费级硬件上的推理时间基本保持不变。 更多的权重、更强的智能，却不会显著增加处理时间。

重新思考“再加噪”

将近二十年前，DxO 的研究人员发现了一个至今依然成立的规律：要让降噪算法仅去除部分噪点，难度极大。 无论是早期的小波（wavelet） 与非局部均值（non-local means）滤波器，还是如今的神经网络降噪方法，当被要求完全去除噪点时往往表现最佳； 试图只去除一部分噪点，反而更容易产生伪影。 降噪算法越先进，在这一过程中保留下来的细节也就越多，但即便是最优秀的降噪算法，也难免会在去除噪点的同时抹去部分细微结构。

为了避免完全降噪后图像呈现出的“塑料感”，我们的研究团队设计了一种简单而有效的技术：先让降噪算法彻底完成工作，然后将被去除的噪点中的一小部分重新添加回图像中。 重新引入部分原始噪点而非合成白噪点有一个关键优势——它同时也恢复了在处理过程中丢失的部分精细细节。 首款采用这一技术的产品是 DxO OpticsPro 5，发布于 2008 年。 尽管 DeepPRIME XD3 的能力已远超当时的降噪与去马赛克算法，但这一原理至今依然同样有效。
在 DxO PureRAW ⁶ 中，我们重新设计了噪点重新引入与镜头校正之间的处理方式，特别是针对暗角校正与畸变校正。 现在，这两项校正都在将残余噪点重新加入图像之前完成，从而使我们能够分别处理主要图像信号与噪点成分。

暗角：RAW 图像中的噪点水平与信号水平之间存在非线性关系。 对于暗角较明显的镜头，画面边缘区域的信噪比会显著下降。 当我们提升边缘亮度以获得均匀亮度的图像时，噪点也会随之被放大，从而在视觉上比画面中心更加明显。 解决方案是利用噪点模型——信号水平与噪点水平之间的已知关系——推导出一个校正系数，使噪点在整个画面中保持均匀，并在重新添加噪点之前将该系数应用于噪点部分。

畸变：畸变校正需要对像素网格进行几何插值。 当对白噪点执行插值时，会产生两种不良效果：一是会在噪点中引入伪结构，二是会导致噪点水平出现周期性变化。 在插值坐标恰好落在实际像素位置时，噪点原样保留；而在落于像素之间的位置时，噪点被平滑处理，其强度也随之降低。 在
DxO PureRAW ⁶ 中，我们通过对噪点分量单独应用一种专门的插值算法来解决这一问题，从而确保在完成畸变校正后，噪点水平依然保持均匀。
这两种效果在高 ISO 设置下尤为明显，因为此时残余噪点——即使只占原始噪点的一小部分——依然清晰可见。

这一改进后的再加噪处理流程同时适用于 DeepPRIME 3 和 DeepPRIME XD3。 这很好地体现了我们对细节的重视：我们的目标不仅仅是打造世界上最优秀的降噪技术，而是构建世界上最出色的 RAW 转换引擎。

效果表现

上述所有技术进步带来的实际效果，取决于图像内容和拍摄参数。 与被 DeepPRIME XD3 取代、用于 X-Trans 传感器的 DeepPRIME XD 相比，新引擎通常能呈现更干净、更自然的效果。 与 DeepPRIME 3 相比，它几乎总能产出更纯净且细节更丰富的图像，并且在所有 ISO 感光度下都表现出色。 与 DeepPRIME XD2s 的差异则更为细微：DeepPRIME XD3 的优势在具有精细纹理的图像、高素质镜头、无光学低通滤镜的传感器，以及存在色差的镜头上表现最为突出。 其中，去马赛克和色差校正的改进在低 ISO 下最为明显，而细节保留的提升则在中高 ISO 设置下最为显著。

DxO 开创性压缩技术：DNG 文件缩小至原来的四分之一，画质丝毫不减

DxO PureRAW ⁶ 为 DNG 格式引入全新的高保真压缩选项。与现有的无损压缩相比，该技术可将文件体积缩减至大约原文件的四分之一，同时在人眼可感知范围内完整保留图像质量。

DxO 全新的高保真压缩技术结合了两种互补的方法：动态范围压缩（Dynamic Range Compression）以及 JPEG XL 图像编码技术。

核心优势

• 文件体积缩小至1/4——以 5000 万像素相机为例，线性 DNG 文件可从约 200 MB 缩减至约 50 MB，使线性 DNG 更适合日常使用及大批量工作流程。 更小的文件意味着更快的导入速度，更快的云端同步，以及更少的磁盘占用。
• 高保真——压缩造成的差异在视觉上几乎不可察觉，即使在大幅度编辑下也能保持稳定的图像表现。
• 兼容性——输出仍为标准 DNG 文件。 任何支持 DNG 的应用程序（如 Adobe Lightroom、Capture One 等）都可正常打开并编辑这些文件。

为何需要更高压缩？

线性 DNG 是 DxO 为 DxO PureRAW 推荐的输出格式，因为它在保留最大后期编辑空间的同时，也与第三方 RAW 处理软件保持广泛兼容。 然而，即使采用 DNG 规范中内置的无损压缩，典型的线性 DNG 文件体积仍约为每百万像素 4 MB。 以一台 5000 万像素相机为例，单张图像的文件大小约为 200 MB。

显然，对这些文件进行更高效的压缩有着迫切的需求。
但在不牺牲画质的前提下，我们究竟能够压缩到何种程度？

从实际无损到感知无损

无损压缩对开发者与用户而言都是最令人安心的方案，因为它能够确保解压后的文件在数学意义上与原始文件逐位完全一致。 然而，这类算法在效率上存在固有局限，尤其当待压缩的信号中包含大量从人类视觉感知角度并无实际意义的信息时，这种局限便更加明显。

在 DxO PureRAW 6 中，我们的影像科学团队开发了一种新的压缩方案，专门针对这些对视觉感知无实际价值的信息，在压缩之前将其剔除，从而实现更高的压缩效率。 最终实现了感知无损压缩：虽然在数学意义上会产生一定的信息损失，但在通常的观看与编辑条件下，人眼几乎无法察觉。

我们在线性 DNG 文件中识别出两类从视觉感知角度并无实际意义的信息：

1. 过高的像素精度。 数码相机的 RAW 文件通常以每像素 12 位或 14 位编码，而我们的 DeepPRIME 处理流程输出为 16 位。 不过，图像始终会保留少量残余噪点——这是有意为之，旨在避免过度降噪带来的不自然“塑料感”。 如下文所述，信号中包含的噪点越多，其完整的数值精度就越缺乏实际意义。 去除这些未被有效利用的精度，正是动态范围压缩（DRC）的作用所在。

2. 纹理与颗粒的精确形态。 在实际应用中，噪点颗粒或细微纹理形态上的轻微差异几乎无法被人眼察觉。 对这些微观细节进行适度简化，是图像与视频压缩中的经典原则，而这一部分正由JPEG XL 编解码器负责实现。

这两种技术均依托 DNG 标准机制实现，因此任何兼容 DNG 的软件都可以无缝打开生成的文件。 其中，DRC 通过 DNG 线性化表（Linearization Table）标签进行编码，而 JPEG XL 则作为 DNG 规范 1.7 版本中引入的一种压缩模式。 两者均已获得主流 RAW 处理应用的支持。

动态范围压缩

动态范围压缩（DRC）是音频信号处理领域中一项广为人知的技术。 压缩器通过应用非线性传递函数来缩小信号的动态范围：在音频领域，这意味着削弱较响的部分、提升较弱的部分，使信号能够在既定的比特预算内更高效地表达。 事实证明，这一原理同样非常适用于 RAW 数字图像。

为何 DRC 适用于 RAW 图像

数字图像会受到光子（散粒）噪声的影响，这是光本身的一种基本物理特性。 该噪声的标准差会随着信号强度的平方根而增长。
这一特性对线性图像的压缩具有重要影响：

• 在暗部区域，噪点水平极低，信号结构十分细腻。 此时每一位精度都可能承载真实而有用的信息——因此往往需要 14 位甚至 16 位的精度。
• 而在亮部区域，噪点相对较大， 可利用的信号精度远低于 14 位或 16 位所能表达的范围。 这些额外的比特实际上只是更精细地记录了噪点——其精度既没有实际必要，人眼也无法察觉。

正是这些在高光区域中、从视觉感知角度并无实际意义的高精度采样值，降低了无损压缩的效率：压缩算法仍必须逐位原样编码这些比特，而它们实际上并不承载任何有价值的信息。

• DRC 正是通过这一点发挥作用：在压缩之前，对线性像素值应用一种压扩函数——具体来说，是一条接近平方根曲线的变换。 从概念上看，这与方差稳定化变换密切相关：经过平方根变换后，噪点的标准差在整个色调范围内会趋于近似恒定。 由此，数值精度便能更合理地分配到最需要的区域——暗部拥有更多层级，高光则使用较少层级——同时又不会丢失任何在视觉上真正具有意义的信息。

在解压时，系统会通过 DNG 线性化表中存储的逆函数恢复原始的线性编码，这一过程完全符合 DNG 规范的设计方式。 整个流程对后续处理软件而言完全透明。

量化层级的数量采用了较为保守的设定，并在极端的编辑场景下进行了验证，例如大幅提升曝光并结合极端的阴影恢复，以确保在所有实际使用情境中都不会出现可见的量化伪影。

JPEG XL 压缩

在完成 DRC 处理后，经过预处理的图像将使用 JPEG XL 进行压缩。JPEG XL 是由 JPEG 委员会标准化的新一代图像编解码技术。

JPEG XL 为何优于传统 JPEG？

传统 JPEG 标准可追溯至 1992 年，其核心基于固定的 8×8 分块变换以及相对简单的熵编码机制。 这一方法在当时具有开创性意义，但以今天的标准来看，这种方法在压缩效率方面仍有相当大的提升空间。 JPEG XL 融合了二十多年来图像压缩研究的成果：

可变尺寸变换——从 2×2 到 256×256 的多种变换块尺寸，使编码器能够在平滑区域使用更大、更高效的块，而在边缘或细节区域使用更小、更精细的块。这样便能根据图像的局部内容自适应调整，而不再受限于单一固定网格。

感知优化的色彩空间——JPEG XL 的内部色彩表示以人类视觉系统为基础进行建模，从而能够更智能地将比特资源分配给对视觉感知最重要的图像信息。

先进的熵编码——采用更现代、效率显著提升的编码技术，相较传统方法能够从数据中提取更多冗余信息。

精密的预测与上下文建模——编码器在处理图像的过程中持续构建统计模型，捕捉细粒度的局部结构，从而减少需要实际存储的不可预测信息量。

原生高位深支持——与传统 JPEG 不同，JPEG XL 从设计之初便面向高位深内容，因此非常适合作为 RAW 影像处理流程中的压缩层。

我们在使用 JPEG XL 时采用近无损质量设置，这意味着编解码器引入的数学层面的信息损失极其微小——远低于任何真实图像中的噪点底限。 而与前置 DRC 的结合，正是实现高效压缩的关键所在：通过在交由 JPEG XL 处理之前先去除那些在视觉上并无意义的多余精度，我们为编解码器提供了一个本身就更易压缩的信号，从而无需让其做出任何可能损害画质的取舍。

DxO PhotoLab 9.6: 图像质量、掌控力与效率的全新高度。

DxO PhotoLab 9.6 现已发布，在影像品质与工作流程效率方面实现重大跃升。此次更新引入适用于拜耳传感器的 DeepPRIME XD3，以 AI 蒙版扩散技术拓展创作掌控力，并首度推出高保真压缩，在不影响 RAW 品质的前提下大幅缩减 DNG 文件体积。

凭借这些创新，DxO PhotoLab 9.6 有效突破严苛摄影师所面临的关键限制，从降噪与局部调整到导出与归档，在编辑流程的每一个阶段都赋予更大的创作自由。

现已提供功能完整的 30 天免费试用。

DeepPRIME XD3 为所有传感器带来卓越图像质量

在版本 9.6 中，DeepPRIME XD3 现已同时支持拜耳与 X-Trans 传感器，使 DxO 最先进的 RAW 处理技术惠及更广泛的相机系统。

基于 DeepPRIME 技术打造，DeepPRIME XD3 专为最严苛的拍摄环境而生。即使面对 ISO 极高的文件，也能在保留自然纹理与准确色彩还原的同时，呈现更纯净、更锐利的影像效果。从夜景摄影到细节丰富的风光画面，它为降噪与细节提取树立了全新标杆。

结合 DxO 独有的 DxO 模块——提供极为精准的相机与镜头校正——DeepPRIME XD3 为追求极致的摄影师打造出完整而卓越的影像品质流程。

AI 蒙版新增扩散功能，带来更平滑、更自然的调整效果

DxO PhotoLab 广受赞誉的 AI 蒙版在版本 9.6 中通过新增扩散控制变得更加灵活多用。这一全新选项使摄影师能够柔化蒙版边缘、营造更平滑的过渡，从而实现更自然的局部调整效果。

无论是精修人像、强化风光表现，还是处理复杂的色调过渡，扩散功能都在保留直观高效工作流程的同时，赋予创作更广阔的灵活空间——而这一工作流程，正是使 AI 蒙版成为 DxO PhotoLab 核心功能的重要基石。

高保真压缩：更小的 DNG，零妥协

DxO PhotoLab 9.6 还引入高保真压缩用于 DNG 导出，可在不牺牲图像质量的前提下，将文件体积缩减至标准未压缩 DNG 的四分之一。

这一突破性功能让摄影师在不牺牲图像质量、动态范围或编辑灵活性的前提下，大幅降低存储需求。无论是大规模处理、长期存档，还是日常工作流程，皆因此更加迅捷高效——同时始终保持完整而专业的 RAW 工作体系。

什么是 DxO PhotoLab？

DxO PhotoLab 是我们经过二十多年尖端研究与创新，开发出的旗舰级 RAW 照片编辑软件。数年来凭借优越的图像品质连续获奖，为摄影师提供基于科学、而非噱头的强大工具——涵盖 DeepPRIME 降噪、我们独有的镜头校正模块，以及 U Point 等局部调整技术。

版本 9 在此基础上更进一步，推出功能强大且用途广泛的 AI 蒙版、针对性降噪与镜头锐度优化，以及智能工作流程优化。无论您拍摄风光、人像、街头还是静物，DxO PhotoLab 9 都能助您以卓越的还原度打造精彩影像。

要了解有关 DxO PhotoLab 9 的更多信息，请访问概述页面，要查看全面的功能列表，请点击此处。

DxO PureRAW ⁶ 推出具有突破性 DeepPRIME XD3 的 Bayer 传感器功能，并显著提升工作流程效率。

新一代降噪技术、突破性压缩算法、超极速处理性能。

DxO 今日正式发布 DxO PureRAW 6，这一重大版本更新将 RAW 图像质量与工作流程效率提升至前所未有的高度。 作为专业 RAW 工作流程中不可或缺的第一步，第 6 版带来更锐利、更纯净、更丰富的图像细节，并引入一系列智能升级，赋予摄影师全方位的自由度与效率。

随着此次发布，DeepPRIME XD3（此前仅限于 X-Trans 传感器）现已将其顶级的降噪与细节提取能力扩展至拜耳与 X-Trans 相机，全面释放更强大的画质潜能。 结合突破性的 DNG 压缩技术以及强大的工作流程优化，DxO PureRAW 6 在影像编辑的起点树立了全新的行业标杆。

品质跃升：DeepPRIME XD3 现已支持拜耳传感器

DeepPRIME XD3 是 DxO 广受赞誉的 DeepPRIME 技术迄今为止最先进的进化形态。 它专为最具挑战性的影像而打造，通过更大规模的神经网络，以卓越的精准度清除噪点、还原细节，并保留自然纹理，即使在极低光照、高 ISO 的严苛条件下，亦能从容应对。

通过将这项技术拓展至拜耳传感器相机，DxO PureRAW 6 现可同时实现其迄今为止最高水准的降噪与去马赛克品质，惠及更广泛的摄影师群体。 从夜景摄影到精细构图，XD3 都能直接从 RAW 文件中呈现出非凡的清晰度与层次感，重新定义影像所能达到的高度。

文件体积大幅缩减，画质丝毫不减？ 压缩 DNG 正式登场

DxO PureRAW 6 通过全新的高保真压缩实现了效率上的突破，在保持 RAW 级画质的同时，将 DNG 输出文件的体积压缩最多至仅为标准无压缩版本的四分之一。

摄影师如今既可完整保留 RAW 工作流程所带来的全部动态范围与调整灵活性，又能在此基础上大幅节省存储空间。
这对于大型项目与长期归档而言尤为关键。 繁重的文件管理从此变得轻松便捷，体验更轻量、更高效、更流畅。

强大的工作流程升级

批量并行处理，大幅提升效率

DxO PureRAW 6 通过批量并行处理显著加速高负载工作流程，可在上一张图像尚未完成处理之前，智能预先准备下一张图像。 处理大量文件时，可实现显著更快的吞吐速度与更流畅的性能表现，为高强度工作流程带来质的飞跃。