基于可训练硬阈值的二值色彩滤光阵列学习

色彩滤光阵列(CFA)是数码相机中的光学滤波器，用于捕获特定色彩通道。当前商业CFA是手工制作的模式，考虑了不同的物理和应用特定因素。本研究提出一种基于硬阈值运算的二值CFA学习模块，集成深度学习基DEMOSAIC网络于联合架构中。与大多数现有可学习CFA不同，本方法学习二值通道选择， resulting in CFAs that are practical and physically implementable to digital cameras。二值选择基于将硬阈值运算适应于神经网络，通过直穿估计器，因此称为HardMax。本文包括CFA设计问题的背景、HardMax方法的描述以及性能评估结果。对本方法的评估包括针对不同DEMOSAIC模型、色彩配置、滤波器大小以及与现有方法在各种重建度量标准下的比较。本方法使用Kodak和BSDS500数据集进行测试，优于手工制作或替代学习的二值滤光器。