图像信号处理器（ISP）将CMOS传感器采集的RAW数据转换为可视RGB图像，其管线中数十个模块涉及上百个可调参数，直接影响成像的色彩、亮度、噪声和细节表现。传统ISP调参高度依赖成像专家手工完成，周期长、主观性强、难以跨硬件泛化。近年来，以深度学习、强化学习和多模态大语言模型为代表的数据驱动方法正在改变这一范式，自动化ISP调试技术从学术研究到工程落地均已取得显著进展。

图像锐化技术通过增强高频分量提升图像清晰度，主要分为传统算子法（如Roberts、Sobel）、反锐化掩模（USM）、变换域法和深度学习方法。报告系统梳理了60年来四类算法的数学原理与演进脉络，对比了各方法在效果、计算成本与适用场景（如医学影像、工业检测）的差异，并建立了锐化质量评价体系。传统算子法计算高效但抗噪性弱，USM平衡效果与复杂度，深度学习方法性能优越但依赖数据。研究为算法选择与优化提供

图像降噪是计算机视觉与图像处理领域的基础性研究课题，其目标在于从受噪声污染的图像中恢复高质量的清晰图像，为后续的分割、检测、识别等高级视觉任务提供可靠输入。近十年来，图像降噪算法经历了从传统滤波方法到深度学习方法的深刻范式转变，主流算法可划分为传统滤波类、深度学习CNN类、Transformer类、扩散模型类及自监督类五大类别。

图像降噪模块是现代成像产品ISP（Image Signal Processor）管线中的核心处理单元之一，直接决定最终图像的主观质量与客观信噪比。本报告聚焦消费电子、安防监控、车载影像、医疗成像等主流应用领域中所使用的前沿降噪模块，系统调研Bayer域降噪（BNR）、三维降噪（3DNR）、空域降噪（2DNR）以及多域联动的完整降噪逻辑。通过对噪声模型、分域降噪原理、时空联合策略及行业应用实例的全面