従来の機械学習ベースの方法は4chのRGGBに分解してNNに放り込んでいたが、まず高密度のGを先に推定して、周波数帯域ごとに適切な畳み込みで補間を可能にしている。Gは高密度かつ感度がロバストなので高周波まで再現する難易度が他の色よりも優しい、なのでまずGを監視してガイドしてそれなりの信号を作る。また入力初期に密度マップ(周波数マップの簡易的なもの)を作ってAttention的に利用している。

既存データセットで定量評価指標(PSNR, SSIM, LPIPS)すべてで従来手法の性能を上回ることを確認。

派手さはなく組み合わせが多いけど納得できるアーキの設計。古典的なモデルベースのデモザイクの知見を有効活用している。