Demsaic 系列三：RI 系列
RI 系列文章，东京工业大学的小组做的。感觉挺不错的。
一、RI
Residual interpolation for color image demosaicking，ICIP 2013，Daisuke Kiku，东京工业大学
引用次数为 181（截至 2024/01）。RI 系列的第一篇文章，还是挺有想法的，应该是作者读硕士期间发的，后来去了奥林巴斯工作了，做内窥镜去了。
需要先了解导向滤波这个经典方法（何凯明是真的强），看这篇文章，需要和 GBTF 对着来，文章的一幅图画的非常好。就是之前 DLMMSE 和 GBTF 都是对 R-G 进行插值，现在我用导向滤波去预测一个新的 R*，然后对 R-R*进行插值，插值的方法同样是用引导滤波。
还有一个重要的点，务必理解：RI 和之后的 MLRI 方法相当于都是提高了 R 和 B 的预测精度，一般会用 GBTF 方法预测 G，然后他们认为预测 G 是正确的，拿这个 G 去提高 R 和 B 的精度。
二、MLRI
Beyond Color Difference: Residual Interpolation for Color Image Demosaicking，TIP 2016, Daisuke Kiku，东京工业大学
引用次数 112（2024.01），RI 的扩展版本，很简单但确实有提升，这个作者我还是非常佩服的。
继续看图即可，区别就是之前对 R-R*进行插值（图片圆圈处），是用引导滤波插值。引导滤波中的最小化目标是输出图片和原始图片的差异；现在修改最小化目标为这个差异图的拉普拉斯。
刚才提到最小化目标是改成了差异图的拉普拉斯，然后就按照这个目标去重新推一边引导滤波的公式，最后就重新得出导向滤波的 a 和 b 值，没有太大的增加计算量：
三、IRI
Color Image Demosaicing Using Iterative Residual Interpolation, TIP 2015, Wei Ye, HUST
引用次数 67（2024.02），感觉有道理，就是时间会长。
核心思想很简单：看看 RI 和 MLRI 那两张图，都是认为预测的 G 是没问题的（这两个方法都是先用 GBTF 去预测出 G，然后再去修改 R 和 B）。那我就不服呗，我预测完 R 和 B 之后，再去用 RI 方法去预测 G，这个效果应该会比一开始 GBTF 预测的 G 好。那我有一个好的 G 之后，我再去 RI 方法去预测 R 和 B，效果又好一点，再反过来修改 G，如此反复…
当然论文没有用 GBTF 先去预测 G，而是直接线性插值。因为我反正都是反复迭代去提升，所以一开始的质量也无所谓，用 GBTF 反而增加时间了。
