摘要
失焦模糊检测（Defocus Blur Detection, DBD）旨在从受失焦模糊影响的图像中分割出模糊区域，是多种计算机视觉任务中至关重要的预处理步骤。随着小型移动设备的日益普及，亟需一种在计算资源受限条件下仍能高效、准确检测失焦模糊的方法。为此，本文提出一种高效的失焦模糊检测方法，可在资源受限设备上估计每个像素为聚焦或模糊状态的概率。尽管近年来基于深度学习的方法取得了显著进展，但仍面临诸多挑战，包括背景杂乱、尺度敏感性、聚焦区域与失焦模糊在低对比度下难以区分，以及尤其突出的高计算开销和内存需求。为应对前三个挑战，我们设计了一种新型深度网络，能够从输入的模糊图像中高效地生成模糊图。具体而言，该网络在深层结构中融合多尺度特征，以缓解尺度模糊问题，并在高层模糊特征中建模非局部结构相关性。为解决后两个问题，我们最终将DBD算法构建为知识蒸馏框架，通过将大型教师网络中的知识迁移至轻量级学生网络，实现高效部署。所有网络均采用端到端的对抗训练策略，以强化输出分布与目标分布之间的高阶一致性。实验结果表明，大型教师网络达到了当前最优性能，而我们提出的轻量级DBD模型在几乎不损失精度的前提下，成功模仿了教师网络的输出表现。相关代码、预训练模型权重及实验结果将公开发布，以促进后续研究。