DeFusionNET : Détection du flou de mise au point par fusion et raffinement récursifs de caractéristiques profondes multi-échelles
La détection du flou de mise au point vise à identifier les régions hors de focus à partir d'une image. Bien qu'elle attire de plus en plus d'attention en raison de ses nombreuses applications, cette tâche reste confrontée à plusieurs défis, notamment l'interférence causée par le bruit de fond, la sensibilité aux échelles et la perte de détails aux frontières des régions floues. Pour surmonter ces difficultés, nous proposons un réseau neuronal profond qui fusionne et affine de manière récurrente des caractéristiques profondes multi-échelles (DeFusionNet) pour la détection du flou de mise au point. Nous utilisons d'abord un réseau convolutif entièrement connecté pour extraire des caractéristiques profondes multi-échelles. Les caractéristiques issues des couches inférieures permettent de capturer des informations de bas niveau riches, favorisant ainsi la préservation des détails, tandis que celles provenant des couches supérieures sont capables de représenter des informations sémantiques utiles pour localiser les zones floues. Ces caractéristiques issues de différentes couches sont respectivement fusionnées en caractéristiques superficielles et sémantiques. Ensuite, les caractéristiques fusionnées de type superficiel sont propagées vers les couches supérieures afin de raffiner les détails fins des régions floues détectées, tandis que les caractéristiques sémantiques fusionnées sont propagées vers les couches inférieures pour améliorer la localisation des régions floues. Cette fusion et ce raffinement des caractéristiques s'effectuent de manière récurrente. Enfin, nous fusionnons les sorties de chaque couche à la dernière étape récurrente pour obtenir la carte finale de flou de mise au point, en tenant compte de la sensibilité aux échelles du degré de flou. Des expériences menées sur deux jeux de données standards couramment utilisés pour la détection du flou de mise au point démontrent l'efficacité supérieure de DeFusionNet par rapport à dix autres méthodes concurrentes. Le code source et des résultats supplémentaires sont disponibles à l'adresse : http://tangchang.net