Détection du flou de défocalisation par un réseau convolutif entièrement multicanaux bas-haut-bas à plusieurs flux

La détection du flou de défocalisation (DBD) consiste à séparer les régions nettes et les régions floues dans une image. Ce processus a suscité un intérêt considérable en raison de ses nombreuses applications prometteuses. L'identification précise des régions homogènes, la détection des zones focales à faible contraste ainsi que la suppression du bruit de fond constituent des défis majeurs associés à la DBD. Pour relever ces difficultés, nous proposons un réseau convolutif entièrement connecté à architecture multi-flux bas-haut-bas (BTBNet), la première tentative visant à développer un réseau profond end-to-end pour la DBD. Tout d’abord, nous concevons un BTBNet entièrement convolutif afin d’intégrer des indices de bas niveau et des informations sémantiques de haut niveau. Ensuite, compte tenu du fait que le degré de flou de défocalisation est sensible aux échelles, nous proposons des BTBNet multi-flux capables de traiter des images à différentes échelles, afin d’améliorer les performances de la détection du flou. Enfin, nous concevons un réseau de fusion et de reconstruction récursive afin de raffiner de manière itérative les cartes de détection du flou précédemment obtenues. Afin de favoriser des études et évaluations ultérieures des modèles de DBD, nous avons construit une nouvelle base de données comprenant 500 images complexes et leurs annotations pixel-par-pixel du flou de défocalisation. Les résultats expérimentaux sur les bases de données existantes ainsi que sur notre nouvelle base démontrent que la méthode proposée atteint des performances significativement supérieures à celles des algorithmes de pointe actuels.