这里主要是看了几篇硕博论文后，摘录出来的一些关于Demoire上可能有用的KeyPoints。
《基于图像分解的纹理图像摩尔纹消除方法》(2016天大)
大致思路
纹理图像中摩尔纹现象是由数码相机场景采集过程中欠采样导致，纹理高频信息在采样频率下混叠到低频成分即对应空间域可见的摩尔纹结构。结合 人眼对高频色彩信息的不敏感特性，论文将纹理图像中的摩尔纹干扰简化为加性干扰模型，即摩尔纹干扰降质纹理图像可分解为纹理图像成分和摩尔纹成分，通过设计合理的非相关特征分别约束纹理图像成分和摩尔纹成分，从而实现两者的有效分离。
keypoints
考虑到Bayer CFA应用于数码相机成像设备中，输入的摩尔纹干扰降质纹理图像I中，相比红蓝两色通道， 绿色通道的图像信息采样频率最高，摩尔纹干扰程度最小。【这一点感觉还是比较靠谱的，看MopNet里面展示的效果图确实看出来绿色通道上摩尔纹干扰最小，也许可以使用绿色做文章，是不是可以把绿色作为prior】
摩尔纹的频域能量分布集中
无论是空域结构统计特性还是频域能量分布，摩尔纹成分都和自然图像信息特性比较接近，相比图像去噪问题，摩尔纹消除方法研究更具有挑战性
LED屏幕的摩尔纹成分与屏幕显示图像无关，只和屏幕显示器显示参数、数码相机参数和成像位置角度有关。所以，屏摄图像中的摩尔纹成分和图像信息具有加性关系。
摩尔纹图案类似于结构性的干扰，图像去雨、扫描图像去网纹等图像分解算法对去摩尔有一定的作用。将纹理图像中摩尔纹与纹理成分间的关系简化为加性模型提供了思路借鉴。
用导向滤波后，同时红、蓝色通道内的纹理结构信息几乎完全保留
论文将图像模型简化为加性模型，然而实际情况下，摩尔纹分量与纹理分量在频域存在能量混叠，因此容易将纹理信息误判为摩尔纹成分，纹理恢复图像中存在轻微的振铃效应。另外，由于导向滤波算法本身固有的缺陷，容易导致恢复图像的局部出现光晕现象。
《基于CCD静态图像的摩尔纹去除算法研究》(2012南理工)
keypoints
常见的几种CFA(color filter array)：Bayer型CFA, Mosaic型CFA, Stripe型CFA等，下图按次序依次表示上述三种CFA
人眼视觉对亮度的敏感度大于对色彩的敏感度。在Bayer模板中，绿色采样点的分布呈梅花点状，红色和蓝色点呈四方形分布。采样总数的1/2是绿色像素，这是人眼对绿色波长能量更为敏感的缘故，亮度信息主要反映在绿色分量之中，这样的数量分配使得人眼看到的亮度更为适宜，因此Bayer模板具有较好的彩色信号敏感特性和彩色恢复特性
采用Bayer CFA滤波后，每个像素只有红、绿、蓝一种分量。(a)图为经过单片CCD采集的原始图像，任意选取一块区域用红框表示，将框内区域放大如图(b)。在放大的图像里，可以清晰地看到红框内像素的排列格式。此时图像是不完整的，只有1/3的信息，为了得到完整的彩色图像，必须估算每个采样点的另外两个颜色分量值，这个估算的过程也被称为是去马赛克
只有在含有密布纹理的图像里才会出现摩尔纹，摩尔纹不会出现在一幅平滑的图像里。
