本稿では、合焦度推定に向け、堅牢かつ相乗効果を発揮する手作業による特徴量と、畳み込みニューラルネットワーク（CNN）アーキテクチャから得られるシンプルながら効率的な深層特徴量を提案する。本研究では、さまざまな特徴量の有効性を体系的に分析し、それらを連結した際に、それぞれの特徴量が他の特徴量の欠点を補完する仕組みを明らかにする。完全な合焦度マップの推定のため、強調エッジ上に疎に画像パッチを抽出し、そのパッチを用いて深層特徴量および手作業特徴量を抽出する。パッチスケール依存性を低減するため、マルチスケールのパッチ抽出戦略も提案する。ニューラルネットワーク分類器を用いてスパースな合焦度マップを生成した後、確率連合バイラテラルフィルタを適用する。最終的な合焦度マップは、エッジを保持するフィルタ処理済みの入力画像をガイドとして用いて、スパースな合焦度マップから得られる。実験結果から、本手法が最先端のアルゴリズムに比べて合焦度推定性能において優れていることが示された。本研究の成果は、セグメンテーション、ブラー拡大、全焦点画像生成、3次元推定などの応用に活用可能である。