《COLOR IMAGE DEMOSAICKING VIA DEEP RESIDUAL LEARNING》论文笔记
《COLOR IMAGE DEMOSAICKING VIA DEEP RESIDUAL LEARNING》论文笔记
新人登场
这是我的第一篇论文博客！最近读了《COLOR IMAGE DEMOSAICKING VIA DEEP RESIDUAL LEARNING》这篇文章，是讲残差学习做经典的彩色滤波阵列CFA去马赛克的。
一开始的目的是想从论文里面学习一下去马赛克相比于超分辨有什么特别的损失函数或者网络结构。看完之后其实并没有解决我的问题。
去马赛克模型
这部分是占个坑，现在的确没看懂论文这部分对去马赛克模型的介绍，之后看懂再来补充（CSDN应该允许发布之后修改吧），这部分对我来说应该也算是看这篇文章的重要意义之一了吧。
网络结构
论文遵循经典的CFA去马赛克流程，先将信息较多的绿色波段恢复出来，在这第一个子网络中输入是经过bilinear插值为理想大小的RGB三个波段的图片，输出仍是三个波段的图片，在这里损失只对G波段进行约束，得到较为理想的G波段图像。
接下来第二个子网络接受第一个子网络输出的G波段加上初始的R、B波段（这里我有一些疑惑，主要是论文文字与上图不能匹配理解，论文文字是“In the second stage, the reconstructed intermediate G channel together with the initialized R/B channels are used as input to produce a more accurate demosaicking result.”，可是图片上第一个子网络仍然输出了R、B波段，之后传了第二个子网络），第二个子网络输出对应的损失函数同时对三个波段进行了约束，得到进一步准确的去马赛克结果。