Learning Binary Color Filter Arrays with Trainable Hard Thresholding

本文介绍了一种基于深度学习去马赛克网络的二元CFA学习模块，该模块使用硬阈值法进行构建。当前的商用CFAs是手工制作的模式，具有不同的物理和应用特定的考虑因素。与大多数现有的可学习CFAs不同，该方法学习的是二元通道选择，而不是从整个颜色光谱或线性组合可用的数字颜色中学习通道。这种二元选择是基于通过直通估计器将硬阈值操作适应于神经网络，因此被命名为HardMax。本文包括了CFA设计问题的背景、HardMax方法的描述以及性能评估结果。所提出的方法的评估包括对不同去马赛克模型、颜色配置、滤波器大小的测试，以及在各种重建度量方面与现有方法的比较。该方法在Kodak和BSDS500数据集上进行了测试，并提供了比手工制作或替代学习二元滤波器更高的重建性能。

本文提出了一种基于深度学习的二值CFA学习模块，旨在解决当前CFAs手工设计的问题。

该方法学习二值通道选择，使用HardMax算法实现硬阈值操作，并结合深度学习解码网络，实现了可行且可实现的CFAs设计。

实验结果表明，该方法在Kodak和BSDS500数据集上表现优于手工设计或其他学习的二值滤波器。实验设计包括不同解码模型、颜色配置、滤波器尺寸的测试，同时与其他方法进行了比较。

近期相关研究包括《Learning to Design Binary Filters for Image Processing》、《Deep Learning of Binary Hash Codes for Fast Image Retrieval》等。