联合去马赛克与去噪受益于两阶段训练策略

图像去马赛克与去噪是彩色图像生成流程的前两个关键步骤。长期以来，经典处理顺序为先去噪再去马赛克。以此顺序操作会导致过度平滑与棋盘效应。然而，难以改变此顺序，因为一旦图像被去马赛克，噪声的统计特性会发生剧烈变化，传统去噪模型难以处理。在本文中，我们通过混合机器学习方法解决该问题。我们反转传统的彩色滤镜阵列（CFA）处理流程，先去马赛克再去噪。我们的去马赛克算法在无噪图像上训练，结合了传统方法与残差卷积神经网络（CNN）。此第一阶段保留所有已知信息，这是获得忠实最终结果的关键点。去马赛克后的含噪图像随后送入第二个 CNN 以恢复无噪全彩图像。该流程顺序完全避免棋盘效应并复原精细图像细节。尽管 CNN 可训练以端到端联合解决去马赛克-去噪，我们发现此两阶段训练表现更优且更不易失败。实验表明其在定量与视觉质量上均超越当前最优（SOTA）。