چگونه نویز شات فوتون و ادغام پیکسل‌ها، مزیت سنسورهای ۲۰۰ مگاپیکسلی گوشی‌های هوشمند را از بین می‌برند

تولیدکنندگان گوشی‌های هوشمند مرتباً پرچم‌داران خود را با ارقام خیره‌کننده رزولوشن به بازار عرضه می‌کنند و مدعی‌اند که سنسورهای ۲۰۰ مگاپیکسلی با جزئیات دوربین‌های حرفه‌ای DSLR رقابت می‌کنند. شرکت‌هایی مانند سامسونگ و شیائومی کمپین‌های تبلیغاتی کاملی را حول این مگاپیکسل‌های سه‌رقمی بنا کرده‌اند تا به مصرف‌کننده القا کنند که پیکسل بیشتر ذاتاً به معنای عکس‌های واضح‌تر و حرفه‌ای‌تر است. اما شواهد فیزیکی خلاف این را نشان می‌دهد. یک تک‌پیکسل در یک دوربین فول‌فریم استاندارد ۲۴ مگاپیکسلی، بیش از ۱۰۰ برابرِ یک پیکسل در سنسور ۲۰۰ مگاپیکسلی گوشی هوشمند نور جمع‌آوری می‌کند؛ این یعنی مزیت رزولوشن دستگاه موبایل، پیش از آنکه تصویر حتی پردازش شود، کاملاً توسط نویز سیگنال از بین می‌رود. این چارچوب بازاریابی بر اساس یک سوءتفاهم بنیادین از فیزیک اپتیکال بنا شده و یک معیار دیجیتال را جایگزین یک واقعیت آنالوگ می‌کند.[1][3][6]

محدودیت اساسی که بر تمام سیستم‌های دوربین حاکم است، قطر مردمک ورودی است که حد مطلق فیزیکی وضوح و نویز را تعیین می‌کند. همان‌طور که پروفسور جی.سی. دینتی در مقاله سال ۲۰۲۴ خود در مجله آسیایی فیزیک اشاره می‌کند: «قطر مردمک D به‌طور منحصربه‌فردی حد اساسی عملکرد هر سیستم تصویربرداری، از جمله تمام تلسکوپ‌ها و دوربین گوشی‌های هوشمند را تعیین می‌کند.» وقتی نور وارد یک لنز می‌شود، به‌صورت یک نقطه از نظر ریاضی بی‌نقص به سنسور برخورد نمی‌کند؛ بلکه به یک تاری میکروسکوپی معروف به دیسک ایری پراش می‌یابد. اگر پیکسل‌های فیزیکی روی سنسور کوچک‌تر از این تاری پراش باشند، افزودن پیکسل‌های بیشتر هیچ جزئیات اپتیکال اضافه‌ای را ثبت نمی‌کند. لنزهای مدرن گوشی‌های هوشمند که توسط ضخامت شاسی دستگاه محدود شده‌اند، معمولاً دارای مردمک‌های ورودی کوچک‌تر از سه میلی‌متر هستند که قدرت تفکیک واقعی آن‌ها را بسیار پایین‌تر از آنچه یک سنسور ۲۰۰ مگاپیکسلی القا می‌کند، نگه می‌دارد.[3][6]

در این ابعاد میکروسکوپی، فیزیک جمع‌آوری نور به گلوگاه اصلی کیفیت تصویر تبدیل می‌شود. یک سنسور استاندارد ۲۰۰ مگاپیکسلی گوشی هوشمند، مانند فرمت ۱/۱.۳۳ اینچی که در چندین دستگاه پرچم‌دار استفاده می‌شود، در مجموع مساحتی در حدود ۷۰ میلی‌متر مربع دارد. برای گنجاندن ۲۰۰ میلیون سایت نوری مجزا روی یک تراشه سیلیکونی به این کوچکی، هر پیکسل باید تا عرض تقریبی ۰.۶ میکرون کوچک شود. در مقایسه، یک سنسور فول‌فریم ۲۴ مگاپیکسلی - که استاندارد عکاسی حرفه‌ای است - ۸۶۴ میلی‌متر مربع مساحت دارد و اجازه می‌دهد پیکسل‌هایی با عرض تقریبی ۶.۰ میکرون داشته باشیم. این اختلاف عظیم در مساحت سطح به این معناست که پیکسل گوشی هوشمند پیش از فشرده شدن دکمه شاتر، در یک نقطه ضعف فیزیکی شدید عمل می‌کند.[1][6]

این تفاوت اندازه، نسبت سیگنال به نویز تصویر نهایی را تعیین می‌کند؛ معیاری که بسیار مهم‌تر از رزولوشن است. فوتون‌ها به‌صورت یک جریان کاملاً یکنواخت و قابل پیش‌بینی به سنسور دوربین نمی‌رسند؛ آن‌ها به‌طور تصادفی از راه می‌رسند، درست مانند قطرات بارانی که روی شبکه‌ای از سطل‌ها می‌بارند. این تصادفی بودن کوانتومی، یک سطح پایه از تداخل ایجاد می‌کند که به عنوان نویز شات فوتون شناخته می‌شود. از آنجا که نویز شات از توزیع پواسون پیروی می‌کند، نسبت سیگنال به نویز با جذر کل فوتون‌های جمع‌آوری‌شده مقیاس می‌شود. یک سطل بزرگ‌تر قطرات باران بیشتری جمع‌آوری می‌کند، واریانس آماری را هموار کرده و اندازه‌گیری تمیزتر و دقیق‌تری از نور ارائه می‌دهد.[4][5][6]

وقتی یک سایت نوری به ۰.۶ میکرون کوچک می‌شود، «سطل» آن به قدری کوچک است که در طول یک کسر نوردهی استاندارد، فوتون‌های بسیار کمی را جمع‌آوری می‌کند. سیگنال الکتریکی حاصل به‌طور باورنکردنی ضعیف است، به این معنی که نویز ذاتی شات فوتون درصد عظیمی از داده‌های نهایی خوانده‌شده توسط دوربین را تشکیل می‌دهد. در شرایط نور کم، این پیکسل‌های میکروسکوپی عملاً از نور محروم می‌شوند و سیگنالی تولید می‌کنند که تقریباً تماماً نویز است. اگر یک گوشی هوشمند واقعاً تلاش کند یک تصویر ۲۰۰ مگاپیکسلی واقعی در یک اتاق کم‌نور خروجی دهد، نتیجه یک موزاییک دانه‌دار و غیرقابل استفاده از تداخل رنگی خواهد بود.[1][4][5][6]

برای جبران این نقص فیزیکی، تولیدکنندگان گوشی‌های هوشمند به یک تکنیک محاسباتی به نام ادغام پیکسل‌ها متکی هستند. پردازنده سیگنال تصویر به‌جای خواندن تک‌تک ۲۰۰ میلیون پیکسل به‌صورت جداگانه، پیکسل‌های مجاور را - اغلب در یک شبکه ۴ در ۴ - گروه‌بندی کرده و خروجی الکتریکی آن‌ها را در یک «سوپر پیکسل» واحد میانگین‌گیری می‌کند. این فرآیند عملاً یک سنسور ۲۰۰ مگاپیکسلی را در همان لحظه ثبت، به یک سنسور ۱۲.۵ مگاپیکسلی تبدیل می‌کند. دوربین در حال تولید یک فایل ۲۰۰ مگاپیکسلی نیست؛ بلکه در حال کاهش وضوح سخت‌افزار در لحظه است تا تصویر را از جریمه نویز پیکسل‌های میکروسکوپی خود نجات دهد.[2][6]

ادغام پیکسل‌ها با تجمیع داده‌های نوری، نسبت سیگنال به نویز را افزایش می‌دهد و به گوشی هوشمند اجازه می‌دهد تا تصویری قابل استفاده و روشن در محیط‌های تاریک‌تر تولید کند، جایی که نوردهی استاندارد با شکست مواجه می‌شود. با این حال، این امر اساساً با ادعای بازاریابی یک عکس ۲۰۰ مگاپیکسلی در تضاد است. دوربین ۲۰۰ میلیون نقطه متمایز از جزئیات اپتیکال را ثبت نمی‌کند؛ بلکه ۱۲.۵ میلیون نقطه از جزئیات را با استفاده از یک سنسور بسیار بخش‌بندی‌شده ثبت می‌کند. رقم رزولوشن چاپ‌شده در پشت دستگاه یک حداکثر نظری است که دوربین در تقریباً تمام سناریوهای واقعی عکاسی از استفاده از آن اجتناب می‌کند و به‌جای آن به خروجی ادغام‌شده پیش‌فرض برمی‌گردد تا اطمینان حاصل کند که تصویر واقعاً قابل مشاهده است.[2][6]

زبان بازاریابی پیرامون این سنسورها غالباً این واقعیت را پنهان می‌کند و یک محدودیت فیزیکی را به‌عنوان یک پیشرفت تکنولوژیک ارائه می‌دهد. اصطلاحاتی مانند «نونا-بینینگ» یا «تترا-بینینگ» به‌عنوان ویژگی‌های پیشرفته‌ای به مصرف‌کنندگان معرفی می‌شوند که وضوح را افزایش می‌دهند، در حالی که در واقع مصالحه‌هایی ضروری هستند که برای کاهش محدودیت‌های شدید فیزیکی سخت‌افزار طراحی شده‌اند. بدون ادغام پیکسل‌ها، سنسور در تولید یک تصویر تمیز در هر شرایطی غیر از نور مستقیم و کورکننده خورشید ناکام می‌ماند. این صنعت با موفقیت یک عملیات نجات محاسباتی را به‌عنوان یک ویژگی سخت‌افزاری ممتاز تغییر نام داده است و خریداران را متقاعد کرده که در حال استفاده از ۲۰۰ مگاپیکسل هستند، در حالی که در واقع از یک خروجی ۱۲.۵ مگاپیکسلی به‌شدت پردازش‌شده استفاده می‌کنند.[2][5][6]

این واقعیت فیزیکی توضیح می‌دهد که چرا عکاسان حرفه‌ای با وجود هیاهوی تبلیغاتی پیرامون دستگاه‌های موبایل، همچنان به دوربین‌های دارای سنسور بزرگ با تعداد مگاپیکسل بسیار پایین‌تر متکی هستند. یک دوربین فول‌فریم ۲۴ مگاپیکسلی نیازی به ادغام پیکسل‌های خود ندارد زیرا هر سایت نوری به اندازه کافی بزرگ است تا حجم عظیمی از فوتون‌ها را جمع‌آوری کند و حتی در نور چالش‌برانگیز، سیگنالی تمیز و با وفاداری بالا ارائه دهد. دوربین حرفه‌ای جزئیات واقعی اپتیکال را از طریق یک عنصر شیشه‌ای بزرگ ثبت می‌کند، در حالی که دوربین گوشی هوشمند جزئیات را از طریق پردازش نرم‌افزاری تهاجمی استنتاج می‌کند. شیشه و سیلیکون فیزیکی سیستم فول‌فریم کاری را انجام می‌دهند که گوشی هوشمند باید با الگوریتم‌ها شبیه‌سازی کند.[1][4][6]

نوآوری واقعی در عکاسی موبایل طی دهه گذشته، کوچک‌سازی پیکسل‌ها نبوده است، بلکه پیشرفت خیره‌کننده پردازنده‌های سیلیکونی است که آن‌ها را تفسیر می‌کنند. گوشی‌های هوشمند مدرن در لحظه باز شدن برنامه دوربین، ده‌ها فریم را ثبت می‌کنند و آن‌ها را فوراً تراز و ادغام می‌کنند تا نویز شات را میانگین‌گیری کرده و دامنه دینامیکی را گسترش دهند. این خط لوله محاسباتی چندفریمی - و نه وضوح خام اپتیکال سنسور - چیزی است که به دستگاهی با لنز سه میلی‌متری اجازه می‌دهد عکسی تولید کند که روی یک نمایشگر با وضوح بالا قابل قبول به نظر برسد.[3][5][6]

رقم ۲۰۰ مگاپیکسل در درجه اول به‌عنوان یک ترفند بازاریابی عمل می‌کند؛ عددی به اندازه کافی بزرگ تا مصرف‌کنندگان را متقاعد کند که یک ارتقاء فیزیکی ملموس بین نسل‌های مختلف دستگاه رخ داده است. فروش یک عدد بزرگ‌تر روی یک برگه مشخصات بسیار آسان‌تر از توضیح ظرافت‌های عکاسی محاسباتی، نویز شات فوتون و معیار ریلی برای مخاطبان بازار انبوه است. تا زمانی که مصرف‌کنندگان مگاپیکسل را با کیفیت تصویر برابر می‌دانند، تولیدکنندگان به تقسیم سنسورهای کوچک خود به شبکه‌هایی به‌طور فزاینده میکروسکوپی و محروم از نور ادامه خواهند داد و ادعای بازاریابی را بر فیزیک واقعی جمع‌آوری نور ترجیح می‌دهند.[1][2][3][4][6]

قوانین فیزیک اپتیکال صرف‌نظر از اینکه نرم‌افزار همراه چقدر پیچیده می‌شود، توسط لوازم الکترونیکی مصرفی شکست‌ناپذیر باقی می‌مانند. تا زمانی که ابعاد فیزیکی گوشی‌های هوشمند برای جا دادن لنزها و سنسورهای بسیار بزرگ‌تر افزایش نیابد، عکاسی موبایل به‌جای ثبت خالص اپتیکال، یک تمرین در نجات محاسباتی باقی خواهد ماند. تعداد مگاپیکسل صرفاً نقطه شروعی برای کار نرم‌افزار است، نه معیاری برای قدرت تفکیک واقعی دوربین. دفعه بعد که یک گوشی هوشمند به وضوح سه‌رقمی خود می‌بالد، ارزش دارد به خاطر داشته باشیم که این نرم‌افزار است که بار سنگین را به دوش می‌کشد و فعالانه نویز ایجادشده توسط محدودیت‌های فیزیکی سخت‌افزار را پاک می‌کند.[1][3][6]