Die Defokussierungserkennung (DBD) trennt scharfe und unscharfe Bereiche in einem Bild. Frühere Ansätze verwechselten fälschlicherweise homogene, scharfe Bereiche mit Defokussierungsunschärfebereichen, wahrscheinlich aufgrund der Vernachlässigung der internen Faktoren, die Defokussierungserkennung beeinflussen. Inspiriert durch das Gesetz der Tiefe, die Schärfentiefe (DOF) und die Defokussierung, schlagen wir einen Ansatz vor, den wir D-DFFNet nennen. Dieser Ansatz integriert Tiefe- und DOF-Hinweise implizit, was dem Modell ermöglicht, das Phänomen der Defokussierung auf natürlichere Weise zu verstehen. Unsere Methode schlägt eine Strategie zur Destillation von Tiefenmerkmalen vor, um Tiefenwissen aus einem vortrainierten Modell für die monokulare Tiefenschätzung zu gewinnen und verwendet einen DOF-Randverlust (DOF-edge loss), um das Verhältnis zwischen Schärfentiefe und Tiefe zu verstehen. Unser Ansatz übertrifft die besten bisher bekannten Methoden auf öffentlichen Benchmarks sowie auf einem neu erstellten großen Benchmark-Datensatz, EBD. Die Quellcodes und der EBD-Datensatz sind unter folgender URL verfügbar: https://github.com/yuxinjin-whu/D-DFFNet.