ROYOLE'S

近年来，一些神经网络在联合去马赛克和去噪(JDD)方面表现出了良好的效果。大多数算法首先将Bayer原始图像分解为四通道RGGB图像，然后将其输入神经网络。这种做法忽略了一个事实，即绿色通道的采样率是红色和蓝色通道的两倍。在本文中，我们提出了一种自引导网络(SGNet)，其中绿色通道首先被估计，然后作为一个引导来恢复输入图像中的所有缺失值。此外，。我们的模型在四个公共数据集(包括两个真实数据集和两个合成数据集)上优于最先进的联合去马赛克和去噪方法。

单幅图像的雾霾去除一直是一个具有挑战性的问题，由于它ill-posed性质。在本文中，我们提出了一种颜色衰减先验方法，用于从单输入模糊图像中去除雾。在该先验条件下，通过建立线性模型对模糊图像的场景深度进行建模，并采用监督学习的方法对模型参数进行学习，可以很好地恢复图像的深度信息。有了雾霾图像的深度图，我们可以很容易地通过大气散射模型估计散射和恢复场景的亮度，从而有效地从单幅图像中去除雾霾。实验结果表明，该方法在效率和除雾效果方面都优于目前最先进的除雾算法。

使用彩色滤光器阵列(CFA)的数码相机需要一个去马赛克程序来形成完整的RGB图像。对于数码相机行业来说，解调速度和解调精度同样重要，因为相机用户已经习惯了即时查看拍摄的照片。此外，与去马赛克相关的成本不应超过使用CFA节省的成本。为此，我们回顾了经典的Hamilton-Adams (HA)算法，该算法在速度和准确性方面都优于许多复杂的技术。我们的分析表明，HA算法可以高效地利用原始捕获的数据，但其过于简化的通道间和通道内平滑阻碍了其准确性。因此，我们提出了一种非常低成本的边缘感知。

每个像素只测量一种颜色成分，红色、绿色或蓝色，人们可以在每个像素推断出整个颜色信息。这种推断需要深刻理解颜色之间的相互作用，以及图像局部几何的参与。虽然在以非常小的相对误差进行这种推断方面非常成功，但当局部几何不能从邻近像素推断时，最先进的去马赛克方法就失败了。在这种情况下，当薄结构或精细的周期性图案在原始中出现时，最先进的方法可能会产生令人不安的伪影，称为拉链效应，模糊和色斑。本文的目的是表明这些伪影可以通过涉及图像的自相似性来推断缺失的颜色来避免。

使用彩色滤光器阵列(CFA)的数码相机需要一个去马赛克程序来形成完整的RGB图像。一般的相机传感器都是采用彩色滤光片阵列(CFA)放置在光感测单元上，在每个像素处仅捕获三种原色成分中的一种。去马赛克方法主要关注于复原非常规区域，比如边缘以及纹理。

一般LDR（Low Dynamic Range）图像的颜色显示范围通常只有8位，即每个颜色通道的颜色数值有2^8=256个等级。这个量级用于描述现实场景中的景象往往十分有限，以LDR储存图像往往需要对颜色进行压缩。为了更加真实还原真实场景的颜色，HDR图像应运而生，一般通道位数超过8位，便可称为HDR，常见有12位和16位。虽然存储图像的信息量提升了，但是现在使用的大部分显示设备宽动态范围只有100:1甚至更低。为了使得HDR图像能够在低动态范围的显示设备上显示，Tone Mapping技术便十分重要。

对视频流进行处理的时候，用到的增强算法在光照突变的情况下，总是会出现不稳定的情况。搜集了以下方法进行参考，但是发现大部分光照鲁棒的方法主要是应对场景不变下的视频，使用帧间差法或者前背景建模的方法进行处理。对于场景实时变化的情况，这些方法都并不适用。所以最后还是通过设置阈值的方式，对于不同光照强度的场景采用了不同增强参数。

相机成像的完整链路中，首先，通过设备的光学镜片将光聚焦到传感器上，将光信号转为电信号，然后，通过核心的ISP模块对接收的电信号处理输出可视图像信号，再对图像进行存储和显示。其中，ISP主要功能有噪声去除、坏点去除、去马赛克、白平衡、自动曝光控制等，依赖于ISP才能在不同的光学条件下都能较好的还原现场细节，ISP技术在很大程度上决定了摄像机的成像质量。