ぼかしの多様性をCross-Ensemble Networkを用いて向上させるための研究

デフォーカスブラー検出（DBD）は、均質領域が明確でなく、焦点あり領域から焦点なし領域への遷移が徐々に行われるため、基本的でありながらも挑戦的な課題である。近年のDBD手法は、より深くまたは広いネットワークを探索することで進展を遂げてきたが、その一方で高メモリおよび高計算コストを伴うという課題がある。本論文では、DBD問題を複数の小さなデフォーカスブラー検出器に分割することで、各検出器の誤差が互いに相殺されるという新たな学習戦略を提案する。本研究の焦点は、クロスアンサンブルネットワークによる多様性の強化にある。具体的には、特徴抽出ネットワーク（FENet）とデフォーカスブラー検出器クロスアンサンブルネットワーク（DBD-CENet）の二つの論理的構成要素からなるエンドツーエンドネットワークを設計した。FENetは低レベル特徴の抽出を目的として構築され、その出力特徴は、二つの並列ブランチを備えたDBD-CENetに投入される。このDBD-CENetは、二つのグループのデフォーカスブラー検出器を学習するための構造を持つ。各個々の検出器について、クロスネガティブ相関とセルフネガティブ相関を設計し、誤差関数を導入することで、アンサンブルの多様性を向上させるとともに、個々の精度のバランスを確保した。最後に、複数のデフォーカスブラー検出器の出力を均等重み平均により統合し、最終的なDBDマップを生成する。実験結果から、最先端の複数の手法と比較して、本手法が精度および処理速度の面で優れた性能を発揮することが示された。