摘要
离焦模糊检测（Defocus Blur Detection, DBD）是一个基础但极具挑战性的问题，主要原因在于图像中均质区域缺乏明显特征，且清晰区域向模糊区域的过渡过程是渐进的。近年来，主流的DBD方法通过构建更深或更宽的网络结构取得了进展，但其代价是带来了较高的内存占用与计算开销。本文提出一种新颖的学习策略，将复杂的DBD问题分解为多个较小的离焦模糊检测子任务，使得各子检测器的估计误差在集成过程中相互抵消，从而提升整体性能。本文的核心在于通过交叉集成网络（cross-ensemble network）增强模型多样性。具体而言，我们设计了一种端到端的网络架构，包含两个逻辑部分：特征提取网络（Feature Extractor Network, FENet）与离焦模糊检测交叉集成网络（Defocus Blur Detector Cross-Ensemble Network, DBD-CENet）。FENet负责提取图像的低层特征，随后将提取的特征输入DBD-CENet，该网络包含两条并行分支，用于学习两组独立的离焦模糊检测器。针对每个检测器个体，我们引入交叉负相关（cross-negative correlation）与自负相关（self-negative correlation）机制，并设计相应的误差函数，以有效提升集成系统的多样性，同时平衡各个体检测器的准确性。最终，通过采用均匀加权平均的方式融合多个离焦模糊检测器的输出，生成最终的DBD结果图。大量实验结果表明，与当前多种先进方法相比，本文所提方法在检测精度与运行速度方面均展现出显著优势。