计算成像的基本思路，是把一部分成像负担从光学硬件转移到算法上：系统先用编码孔径、散射介质、衍射元件或者刻意保留的像差，得到一张看起来模糊甚至面目全非的原始图像，再用算法把真实场景反演出来。这个链条里有一个核心模型，就是点扩散函数。理想点光源经过系统后在探测器上形成的光斑分布，就是该系统的点扩散函数，整幅图像可以近似看作场景与点扩散函数的卷积。算法再强，也是在这个模型里做反演，模型错了，反演结果必然跟着错。

点扩散函数标定不准，最常见的后果是系统性的伪影，而不是随机的噪声。噪声可以通过多帧平均、正则化、更强的先验来压制，模型误差却会被算法当成真实信号去拟合。比如标定的光斑宽度比实际窄，算法会以为系统分辨能力更强，反演时过度锐化，边缘出现振铃和虚假纹理；标定的光斑比实际宽，算法会过度平滑，细节被当成模糊抹掉。更麻烦的是空间变化：很多系统的点扩散函数随视场位置、波长、离焦量而变化，用中心视场的一条曲线代表全视场，边缘视场的重建质量会系统性劣化。

标定误差的来源比想象中多。标定用的点光源本身如果不够小、不够孤立，测到的就是光源尺寸与系统响应的卷积，而不是系统本身的响应。探测器的采样、量化、非线性响应也会污染标定结果。波长的影响常被低估：宽谱成像中不同波长的点扩散函数形状不同，用单色标定结果去重建宽谱场景，色彩通道之间会出现不一致的模糊程度。离焦和温度漂移同样会让实验室标定的曲线与实际工作状态脱节，系统装机后如果不复校，标定会慢慢失效。

为什么后端算法救不回来？因为反演问题本质上是解卷积，本身就是病态问题，对模型误差极其敏感。正则化、先验约束、深度学习先验确实能压制噪声放大、补全缺失信息，但它们的前提是正向模型基本正确。一旦正向模型有偏，算法会在错误的方向上越走越远，而且输出图像往往看起来还很清晰、很像那么回事，难以从视觉上察觉错误。这类错误比噪声更危险，因为它披着高清的外衣。

工程上的应对要回到标定本身。第一，标定条件要尽量贴近实际使用条件，包括工作波段、视场范围、离焦区间和温度区间，分区域、分波段标定比一条全局曲线可靠得多。第二，标定光源和探测器链路要单独校准，排除光源尺寸和探测器非线性的污染。第三，标定结果要做一致性检验，比如用已知结构的目标做盲测，看重建误差是否随位置系统性变化。第四，系统设计阶段就应考虑点扩散函数的稳定性，过于依赖精细结构编码的设计，对标定误差会更敏感。计算成像的算法可以越来越强，但它替代不了准确的物理模型，先把点扩散函数测准，再谈算法，是这条技术路线最省成本的顺序。