DeFusionNET：通过循环融合与精炼多尺度深度特征实现离焦模糊检测

失焦模糊检测旨在从图像中识别出失焦区域。尽管由于其广泛的应用前景而受到越来越多的关注，失焦模糊检测仍面临诸多挑战，例如背景杂乱的干扰、对尺度变化的敏感性，以及失焦区域边界细节的缺失等问题。为应对上述问题，本文提出一种深度神经网络——DeFusionNet，该网络通过递归地融合与精炼多尺度深层特征，实现高效的失焦模糊检测。首先，我们采用全卷积网络（Fully Convolutional Network）提取多尺度深层特征。底层特征能够捕捉丰富的低层细节信息，有助于保持图像细节；而高层特征则具备较强的语义表达能力，有助于定位模糊区域。我们将不同层级提取的特征分别融合为浅层特征与语义特征。随后，融合后的浅层特征被传递至高层，以精炼检测结果中失焦区域的精细细节；融合后的语义特征则被传递至底层，辅助更准确地定位失焦区域。整个特征融合与精炼过程以递归方式反复进行。在最后一次递归迭代后，我们将各层级的输出结果进行融合，综合考虑失焦程度对尺度的敏感性，最终生成完整的失焦模糊图。在两个常用失焦模糊检测基准数据集上的实验结果表明，DeFusionNet在性能上显著优于其他10种对比方法。代码及更多实验结果可访问：http://tangchang.net