Les indices de profondeur et de champ contribuent à l'amélioration d'un détecteur de flou hors focus.

La détection de flou hors champ (DBD) sépare les régions nettes et floues dans une image. Les approches précédentes ont souvent confondu les zones homogènes en focus avec des régions de flou hors champ, probablement en raison de l'absence de prise en compte des facteurs internes qui causent ce phénomène. Inspirés par la loi de profondeur, la profondeur de champ (DOF) et le flou hors champ, nous proposons une approche appelée D-DFFNet, qui intègre les indices de profondeur et de DOF d'une manière implicite. Cela permet au modèle de comprendre le phénomène de flou hors champ d'une manière plus naturelle. Notre méthode propose une stratégie de distillation des caractéristiques de profondeur pour obtenir des connaissances sur la profondeur à partir d'un modèle pré-entraîné d'estimation de profondeur monoculaire et utilise une perte DOF-bord pour comprendre la relation entre la DOF et la profondeur. Notre approche surpasse les méthodes les plus avancées actuellement disponibles sur des benchmarks publics ainsi que sur un nouveau jeu de données volumineux recueilli récemment, nommé EBD. Les codes sources et le jeu de données EBD sont disponibles à l'adresse suivante : https://github.com/yuxinjin-whu/D-DFFNet.