本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

Mar, 2018

本文通过对多种图像去噪和去马赛克策略进行的广泛评估得出，最佳的重建全彩色图像的方法是先进行去马赛克，然后再进行去噪。但需要特定的去噪算法适应于去马赛克的噪声。

Apr, 2020

本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

Jul, 2018

本文提出了利用卷积神经网络（CNN）解决去马赛克问题的全面研究，包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效，可用于任何 CFA 设计的去马赛克，并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。

Feb, 2018

本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克，而不需要真实 RGB 数据的方法，并应用于从 RAW 图像中学习联合去马赛克和去噪的技术，进一步证明 Fine-Tuning 带来的优势。

May, 2019

该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法，通过感知优化保证恢复图像的视觉质量，其结果在客观和主观质量指标上表现出优于现有先进技术的结果，且有可比性的计算成本。

Feb, 2018

我们提出了一种新的联合去马赛克和降噪方法，名为 JDD-DoubleDIP，它直接在单个 RAW 图像上操作，无需任何训练数据。实验结果表明，我们的方法在 PSNR、SSIM 和质量视觉感知等方面始终优于其他比较方法。

Sep, 2023

使用全卷积神经网络对摄像机拍摄的原始 Bayer 图像进行缺陷像素纠正、去噪、白平衡、曝光校正、解模糊、颜色转换和伽马编码的端到端处理，此神经网络是第一个进行完整图像信号处理流程处理的。通过实验，结果表明该系统的性能优于一般传统的处理流程。

Aug, 2019

本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法，按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明，该方法优于目前的各种技术，并在定量和定性指标上取得了优异的表现。

Feb, 2018

分析 3D 卷积在图像去马赛克模型中所存在的问题，如 Moire 伪影和过度平滑，并提出一种新的卷积方法来加强在颜色和空间维度上的信息交流，针对图像去马赛克和降噪等任务验证该方法的效果。

May, 2023