055、去马赛克的"伪彩色诅咒"——方向插值/残差插值/深度学习方法的伪色抑制能力对比及在红色高光区域的实战表现去年秋天，我在调试一台车载前视摄像头的HDR融合链路，遇到一个让人挠头的现象：傍晚逆光场景下，前方车辆尾灯和红色广告牌周围，总有一圈青绿色的“鬼影”在闪烁。不是镜头眩光，也不是ISP的色差校正没生效，问题出在去马赛克（Demosaic）环节。当时用的是经典的方向插值算法，红色高光区域的边缘处，R、G、B三通道的插值方向不一致，导致高频信息被错误地“染色”成了伪彩色。这个案例让我决定把去马赛克的伪色抑制能力彻底扒一遍。先说说伪彩色到底怎么来的。拜耳阵列里每个像素只采集一种颜色，另外两种颜色要靠邻居猜。猜的过程如果方向判断错了，比如在红色高光边缘处，水平方向梯度小、垂直方向梯度大，算法却沿着水平方向插值绿色，那就会把红色像素的亮度泄漏到绿色通道里，形成青绿色或品红色的边缘。方向插值算法的核心是梯度方向判断，但它在高饱和色块边缘特别容易翻车——因为梯度计算本身用的是未插值的原始数据，信噪比低，方向判断极易受噪声干扰。我拿一个典型的红色高光区域做测试：一块纯红色LED灯牌，周围是深色背景，灯牌边缘有强烈的亮度跳变。用双线性插值，伪彩色带宽约6个像素，边缘处有明显的青绿色条纹；用方向插值（比如经典的Hamilton-Adams算法），伪彩色带宽缩到3个像素左右，但边缘处仍有可见的品红色和绿色交替的“拉链”效应。问题在于，方向插值只考虑了局部梯度，没有利用颜色通道之间的相关性——红色高光区域里，R通道的亮度远高于G和B，但插值G和B时，算法并不知道这个先验信息。后来我换用残差插值（Residual Interpolation）思路。核心思想是先对R、G、B做一