基于再感知双模型联合训练的散焦模糊检测

摘要

针对散焦模糊检测(defocus blur etection, DBD)模型训练时没有对响应错误区域学习优化，且在识别过程中部分图像的模糊同质区域和处理边界过渡等位置仍然具有挑战性等问题，提出了再感知双模型联合训练方法和基于注意力机制多尺度语义融合散焦模糊检测网络。将未正确响应的预测区域映射到全新合成图像中驱动模型学习，实现再感知错误位置的图像特征；利用DBD任务的互补性质构建预测网络，组成对焦预测和模糊预测双模型，将互补网络中多余响应的区域反馈到另一个模型上从而提升训练效果；利用多尺度特征融合模块逐渐整合不同尺度的语义信息；在特征提取时设计了全局通道注意力模块，使模型关注预测结果的有效特征信息，增强网络在不同输入场景下的灵活性。在DUT、CUHK和CTCUG数据集上进行的对比实验表明，提出的方法与对比方法中性能最优者相比，F-Measure指标分别提高了0.082、0.051、0.264,MAE指标分别降低了0.032、0.018、0.144。

关键词

散焦模糊检测 / 双模型联合训练 / 多尺度特征 / 互补模型 / 注意力机制