Abstract 去马赛克和去噪是数字成像流程的关键第一阶段，但它们也是一个严重不适定的问题，从单个噪声测量中推断出每个像素的三个颜色值。早期的方法依赖于手工制作的滤波器或先验，并且在硬情况下（例如摩尔纹或薄边缘）仍然表现出令人不安的视觉伪影。我们引入了一种新的数据驱动方法来应对这些挑战：我们在大型图像语料库上训练深度神经网络，而不是使用手动调整的滤波器。虽然深度学习已经取得了巨大的成功，但其使

ABSTRACT 一种广泛应用于彩色图像马赛克的色差插值技术。在本文中，我们提出残差插值作为一种替代颜色差插值，其中残差是一个观察和一个初步估计的像素值之间的差异。我们将所提出的残差插值方法引入到基于梯度的无阈值(GBTF)算法中，该算法是目前最先进的马赛克算法之一。实验结果表明，我们提出的使用残差插值的马赛克算法可以为柯达和IMAX数据集的30幅图像提供最先进的性能。 1. INTRODUC