In diesem Artikel stellen wir robuste und synergistische handgefertigte Merkmale sowie ein einfaches, jedoch effizientes tiefes Merkmal aus einer neuronalen Netzarchitektur mit Faltungsoperationen (Convolutional Neural Network, CNN) für die Schärfentiefe-Schätzung vor. Wir analysieren systematisch die Wirksamkeit verschiedener Merkmale und zeigen, wie jedes Merkmal die Schwächen anderer Merkmale kompensieren kann, wenn sie zusammengesetzt werden. Für die vollständige Schätzung einer Schärfentiefe-Karte extrahieren wir Bildpatches an starken Kanten sparsam und nutzen diese anschließend zur tiefen und handgefertigten Merkmalsextraktion. Um den Grad der Patch-Skalenabhängigkeit zu verringern, schlagen wir zudem eine mehrskalige Patch-Extraktionsstrategie vor. Eine spärliche Schärfentiefe-Karte wird mittels eines neuronalen Netzwerk-Klassifikators generiert, gefolgt von einem Wahrscheinlichkeits-gewichteten bilateralen Filter. Die endgültige Schärfentiefe-Karte ergibt sich aus der spärlichen Schärfentiefe-Karte mit Hilfe einer kantenbewahrenden gefilterten Eingabebildquelle. Experimentelle Ergebnisse zeigen, dass unser Algorithmus gegenüber den derzeit besten Verfahren in Bezug auf die Schärfentiefe-Schätzung überlegen ist. Unser Ansatz lässt sich für Anwendungen wie Segmentierung, Unschärfe-Vergrößerung, die Erzeugung von all-in-focus-Bildern und die 3D-Schätzung nutzen.