Verbesserung der Vielfalt von Unschärfe-Blur-Detektoren durch Cross-Ensemble-Netzwerk

Die Detektion von Unschärfe durch Fokussierungsabweichung (Defocus Blur Detection, DBD) stellt ein grundlegendes, jedoch herausforderndes Thema dar, da homogene Regionen schwer zu unterscheiden sind und der Übergang von fokussierten zu unfokussierten Bereichen graduell verläuft. Neuere DBD-Methoden erreichen Fortschritte durch die Exploration tiefer oder breiterer Netzwerke, was jedoch mit hohem Speicher- und Rechenaufwand einhergeht. In diesem Artikel stellen wir eine neuartige Lernstrategie vor, bei der das DBD-Problem in mehrere kleinere Detektoren für Unschärfe durch Fokussierungsabweichung zerlegt wird, sodass sich Fehler gegenseitig aufheben können. Unser Fokus liegt auf der Verbesserung der Diversität mittels eines cross-ensemble-Netzwerks. Konkret entwerfen wir ein end-to-end-Netzwerk, das aus zwei logischen Komponenten besteht: einem Merkmalsextraktionsnetzwerk (FENet) und einem cross-ensemble-Netzwerk zur Detektion von Unschärfe durch Fokussierungsabweichung (DBD-CENet). FENet dient zur Extraktion von niedrigstufigen Merkmalen. Diese Merkmale werden anschließend in DBD-CENet eingespeist, das zwei parallele Zweige enthält, um zwei Gruppen von Unschärfedetektoren zu lernen. Für jedes einzelne Modell entwerfen wir cross-negative und selbst-negative Korrelationen sowie eine Fehlerfunktion, um die Diversität des Ensembles zu erhöhen und das Gleichgewicht zwischen individueller Genauigkeit und Leistung zu optimieren. Schließlich werden die mehreren Unschärfedetektoren durch eine gleichgewichtete Durchschnittsbildung kombiniert, um die endgültige DBD-Karte zu erzeugen. Experimentelle Ergebnisse belegen die Überlegenheit unserer Methode hinsichtlich Genauigkeit und Geschwindigkeit im Vergleich zu mehreren state-of-the-art-Verfahren.