105、洞察驱动的实战标题——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与工程选型去年秋天，我在调试一台车载前视摄像头时，遇到一个让人头皮发麻的怪现象。夜间行车，对面来车的大灯在画面里拉出长长的星芒，而星芒边缘居然泛着一圈品红色和青绿色的光晕，像极了老式CRT显示器漏磁后的色斑。客户反馈说“画面脏”，但ISP团队查了三天，白平衡、色彩校正矩阵、伽马曲线全动过了，伪彩纹丝不动。最后我让他们把去马赛克模块的锐化强度直接砍到零，伪彩立刻减轻了六成——问题不在色彩链路，而在拜耳阵列重建时方向判断错了。这就是去马赛克领域最臭名昭著的“伪彩色诅咒”。拜耳阵列每个像素只记录一种颜色，另外两种颜色全靠邻居猜。猜错了方向，高频细节处就会产生红蓝通道的相位错位，表现为边缘两侧的彩色条纹。更麻烦的是，这种伪彩一旦生成，后续任何色彩处理都只能掩盖它，无法根除。所以工程上真正的分水岭，在于你选哪种插值策略来“猜”。先看最经典的双线性插值。它把每个像素的缺失颜色当作周围同色像素的加权平均，权重只跟距离有关，跟图像内容无关。这方法在平坦区域表现尚可，但一到边缘就露馅——它会把边缘两侧的颜色混在一起，产生明显的色渗。我见过不少入门级IPC方案还在用这种算法，因为硬件实现只要几行Verilog，但代价是画面稍微有点纹理就“糊成一团带颜色的棉花”。如果你在调这类产品，别急着怪传感器，先看看去马赛克是不是瓶颈。方向插值是对双线性的第一次救赎。核心思路是先估计边缘方向，再沿着边缘方向插值，避免跨边缘混色。具体实现五花八门：有的用梯度幅值判断水平还是垂直，有的用拉普拉斯算子修正二阶项，有的干脆把方向量化成八个扇区。我在一个安防枪机项目里用过基于梯度判定的方向插值，
