110、去马赛克算法深度对比：双线性、色比恒定、方向插值与深度学习方法的实战效果去年在调试某款旗舰手机的后置主摄时，遇到一个诡异的偏色问题——拍摄红色花朵时，花瓣边缘出现明显的“锯齿状”伪色，像被狗啃过一样。当时ISP团队把锅甩给sensor，说Bayer阵列的RGGB通道串扰太大。我花了三天时间，把raw dump出来，用不同的去马赛克算法逐帧对比，才发现问题出在ISP默认的双线性插值上——它对高频细节的响应太差，导致红色通道在边缘处产生了严重的“伪影”。从那以后，我养成了一个习惯：拿到任何新sensor的raw图，第一件事就是跑一遍不同去马赛克算法的对比测试。从Bayer阵列说起：为什么去马赛克是个“坑”Bayer阵列的本质是“用空间换色彩”——每个像素只采集一种颜色，另外两种颜色要靠周围像素猜出来。这个“猜”的过程就是去马赛克。听起来简单，但实际落地时，你会发现它和ISP pipeline里其他模块（比如降噪、锐化）是“死对头”：去马赛克算法越简单，后续降噪越容易引入伪色；去马赛克算法越复杂，计算量越大，手机平台根本扛不住。我见过不少工程师，拿到sensor后直接套用开源库里的双线性插值，结果在纹理密集区域（比如草地、毛衣）出现大量“拉链效应”——边缘像拉链一样一齿一齿的。更坑的是，这种伪色在JPEG压缩后会被放大，最终用户看到的照片就像蒙了一层“彩虹网”。双线性插值：最“暴力”也最“坑”的方法双线性插值的思路很直接：对于绿色通道，因为Bayer阵列里绿色像素占一半，直接用周围四个绿色像素的平均值；红色和蓝色通道则用对角线上的四个同色像素