我们介绍了一种机器学习的方法去上色，从不完整的彩色滤光片阵列样本重建彩色图像。

去化方法要克服两个挑战：

第一，它需要对自然图像的统计数据进行建模和尊重，以便重建自然图像；

第二，它需要能够在有噪声的情况下表现良好。

为了便于对现有方法进行客观评估，我们引入了一个适合于图像去化和去噪研究的自然图像的公共地面真值数据集。然后，我们使用这个大数据集来开发一种去上色的机器学习方法。我们提出的方法通过学习数百幅自然图像的图像和噪声的统计模型来解决去化挑战。生成的模型同时执行去化和去噪。

我们证明了机器学习方法有很多优点：

1、该模型被训练成直接优化用户指定的性能度量，如峰值信噪比（PSNR）或结构相似性（SSIM），

2、我们可以通过在这种布局上重新训练模型来处理新的颜色过滤器阵列布局。它比以前的最先进的，在一些设置0.7dB峰值信噪比，忠实地重建边缘，纹理和平滑的地区。

我们的结果表明，在去上色和相关的成像应用中，经过区别训练的机器学习模型在相对较低的工程工作量下具有最高性能的潜力。