초점 외 blur 검출기의 다양성 향상을 위한 크로스 앙상블 네트워크

초점 외 blur 검출(Defocus Blur Detection, DBD)은 균일한 영역이 모호하고 초점이 맞춰진 영역에서 초점이 어긋난 영역으로의 전이가 점진적인 특성을 지녀, 기초적이지만 도전적인 주제이다. 최근의 DBD 기법들은 높은 메모리와 계산 비용을 수반하는 더 깊거나 넓은 네트워크를 탐색함으로써 진전을 이루고 있으나, 이는 실용성에 한계를 초래한다. 본 논문에서는 DBD 문제를 여러 개의 작은 초점 외 blur 검출기로 분해함으로써 오차가 서로 상쇄되도록 하는 새로운 학습 전략을 제안한다. 본 연구의 핵심은 교차 앙상블 네트워크를 통한 다양성 증진에 있다. 구체적으로, 특징 추출 네트워크(Feature Extractor Network, FENet)와 초점 외 blur 검출기 교차 앙상블 네트워크(Defocus Blur Detector Cross-Ensemble Network, DBD-CENet)로 구성된 엔드투엔드 네트워크를 설계하였다. FENet은 저수준 특징을 추출하기 위해 구성되었으며, 추출된 특징은 두 개의 병렬 브랜치를 갖는 DBD-CENet에 입력된다. 이 네트워크는 두 그룹의 초점 외 blur 검출기를 학습하도록 설계되었으며, 각 개별 검출기마다 교차 음성(correlation) 및 자기 음성(correlation)을 도입하고, 오차 함수를 설계하여 앙상블의 다양성을 강화하고 개별 정확도 간 균형을 유지한다. 마지막으로, 다수의 초점 외 blur 검출기를 동일한 가중치 평균 방식으로 결합하여 최종 DBD 맵을 생성한다. 실험 결과, 다양한 최신 기법들과 비교하여 제안한 방법이 정확도와 속도 면에서 우수한 성능을 보였다.