DeFusionNET: 반복적이고 다중 스케일 딥 특징 융합 및 정제를 통한 초점 외 blur 감지

초점 외부 흐림 감지(Defocus blur detection)는 이미지 내 초점이 맞지 않은 영역을 식별하는 것을 목표로 한다. 광범위한 응용 분야로 인해 점점 더 많은 주목을 받고 있지만, 배경의 혼잡성에 의한 간섭, 척도에 대한 민감성, 그리고 초점 외부 흐림 영역의 경계 세부 정보 누락 등의 여러 도전 과제에 직면해 있다. 이러한 문제들을 해결하기 위해, 다중 척도의 심층 특징을 반복적으로 융합하고 정제하는 깊은 신경망(DeFusionNet)을 제안한다. 먼저, 전 완전 컨볼루션 네트워크를 활용하여 다중 척도의 심층 특징을 추출한다. 하층에서 얻은 특징은 세부 정보 보존을 위해 풍부한 저수준 특징을 포착할 수 있으며, 상층에서 얻은 특징은 의미 정보를 특징화하여 흐림 영역을 위치 지정하는 데 기여한다. 이러한 서로 다른 계층의 특징은 각각 얕은 특징과 의미 특징으로 융합된다. 이후 융합된 얕은 특징은 상층으로 전파되어 감지된 초점 외부 흐림 영역의 세부 사항을 정제하고, 융합된 의미 특징은 하층으로 전파되어 초점 외부 흐림 영역을 더 정확히 위치시키는 데 도움을 준다. 이러한 특징 융합과 정제 과정은 반복적인 방식으로 수행된다. 또한, 마지막 반복 단계에서 각 계층의 출력을 융합하여 초점 외부 흐림 정도에 대한 척도 민감성을 고려한 최종 흐림 지도를 도출한다. 제안된 DeFusionNet의 우수성을 검증하기 위해 일반적으로 사용되는 두 개의 초점 외부 흐림 감지 벤치마크 데이터셋에서 실험을 수행하였으며, 다른 10개의 경쟁 기법과 비교하여 뛰어난 성능을 입증하였다. 코드와 추가 결과는 다음 링크에서 확인할 수 있다: http://tangchang.net