マルチストリーム・ボトム・トップ・ボトム完全畳み込みネットワークを用いたディフォーカスブラー検出

デフォーカスブラー検出（DBD）とは、画像内のフォーカス内領域とフォーカス外領域を分離するプロセスである。この技術はその顕著な応用可能性から、近年注目を集めている。均一領域の正確な識別、低コントラストの焦点領域の検出、および背景ノイズの抑制といった課題は、DBDにおいて依然として難しい問題である。これらの課題に対処するため、本研究では、DBD向けのエンドツーエンド深層ネットワークとして初めての、マルチストリーム・ボトム・トップ・ボトム完全畳み込みネットワーク（BTBNet）を提案する。まず、低レベルの特徴と高レベルの意味的情報を統合するために、完全畳み込み型のBTBNetを構築する。次に、デフォーカスブラーの度合いがスケールに敏感であることに着目し、異なるスケールの入力画像を処理可能なマルチストリームBTBNetを提案することで、DBDの性能を向上させる。さらに、前段のブラー検出マップを再帰的に精緻化するための融合・再構成ネットワークを設計した。DBDモデルのさらなる研究と評価を促進するため、500枚の難易度の高い画像とピクセル単位のデフォーカスブラーアノテーションを含む新しいデータベースを構築した。既存データセットおよび本研究で構築した新データセットにおける実験結果から、提案手法が他の最先端アルゴリズムと比較して顕著に優れた性能を発揮することが確認された。