摘要
失焦模糊检测（Defocus Blur Detection, DBD）旨在识别图像中清晰区域与失焦区域的分布。由于其在诸多领域具有重要的应用潜力，该技术近年来受到广泛关注。然而，准确区分均质区域、检测低对比度的焦点区域，以及抑制背景杂波，仍是DBD面临的主要挑战。为解决上述问题，本文提出一种多流自底向上再自顶向下的全卷积网络（Multi-stream Bottom-Top-Bottom Network, BTBNet），这是首次尝试构建端到端的深度学习网络用于DBD任务。首先，我们设计了一种全卷积的BTBNet结构，以融合低层视觉线索与高层语义信息。其次，考虑到失焦模糊程度对图像尺度高度敏感，我们进一步提出多流BTBNet架构，通过处理不同尺度的输入图像来提升检测性能。最后，我们设计了一种融合与递归重建网络，对先前生成的模糊检测图进行递归优化与精细化重构。为促进DBD模型的进一步研究与评估，我们构建了一个包含500张具有挑战性的图像及其像素级失焦模糊标注的新数据集。在现有数据集及新构建数据集上的实验结果表明，所提方法在性能上显著优于现有主流算法。