079、去马赛克算法族谱：从双线性插值到AI导向重构去年在调试一款车载环视系统时，遇到一个诡异的问题：夜间泊车，后视摄像头画面在车位线边缘出现密集的彩色锯齿，像被狗啃过一样。产线测试员说“这画面看着头晕”，客户直接拒收。我盯着ISP pipeline的日志看了三天，最终定位到问题——去马赛克模块在低照度场景下，对Bayer阵列的插值方向判断失误，导致高频细节区域出现伪彩色。这个坑让我意识到，去马赛克算法远不是教科书上“插值填坑”那么简单。它决定了影像系统的第一道质量门槛，后续的降噪、锐化、色彩校正，全是在这个“填坑”结果上做文章。坑填歪了，后面再好的算法也救不回来。从Bayer阵列说起：为什么需要去马赛克CMOS传感器本质是色盲，每个像素只能感知光的强度。为了获取彩色信息，我们在像素表面覆盖彩色滤光片阵列（CFA），最主流的就是Bayer模式——RGGB排列，绿色通道占一半，因为人眼对绿色最敏感。每个像素只记录一种颜色分量，另外两个颜色分量需要从相邻像素“猜”出来。这个“猜”的过程就是去马赛克（Demosaicing）。别小看这个“猜”，猜错了，画面就出现拉链效应（Zipper Effect）、伪彩色（False Color）、摩尔纹（Moire Pattern）。第一代：双线性插值——简单但代价高最朴素的做法：对每个缺失的像素，取周围同色通道的像素做加权平均。比如G通道缺失的位置，用上下左右四个G像素平均；R和B通道用对角线四个像素平均。
