DeFusionNET：再帰的に融合・精緻化された多スケール深層特徴を用いたボケ検出

ブレ検出（defocus blur detection）は、画像内の合焦外領域を検出することを目的とする。広範な応用が見込まれるため、近年注目が集まっているが、背景の雑音（background clutter）の影響、スケールに対する敏感さ、およびブレ領域の境界詳細の欠落といった幾つかの課題に直面している。これらの問題に対処するため、本研究では、多スケールの深層特徴を再帰的に融合・精緻化する深層ニューラルネットワーク（DeFusionNet）を提案する。まず、完全畳み込みネットワーク（fully convolutional network）を用いて多スケールの深層特徴を抽出する。低層からの特徴は細部の保持に有効な豊富な低レベル特徴を捉え、高層からの特徴は意味情報を表現し、ブレ領域の位置特定に寄与する。これらの異なる層からの特徴は、それぞれ浅層特徴と意味特徴として融合される。その後、融合された浅層特徴は上位層へ伝搬され、検出されたブレ領域の細部を精緻化する。一方、融合された意味特徴は下位層へ伝搬され、ブレ領域のより正確な位置特定を支援する。特徴の融合と精緻化は再帰的な手法で行われる。さらに、最後の再帰ステップにおいて各層の出力を統合することで、ブレ度のスケール依存性を考慮した最終的なブレマップを生成する。本手法の有効性を検証するため、広く用いられている2つのブレ検出ベンチマークデータセット上で実験を実施した結果、他の10種類の競合手法と比較して優れた性能を示した。コードおよび追加の結果は以下のURLで公開されている：http://tangchang.net