基于深度蒸馏的散焦模糊检测
计算机视觉与模式识别
2020-07-17 v1
摘要
散焦模糊检测(Defocus Blur Detection, DBD)旨在从单幅图像中逐像素分离聚焦与散焦区域。由于散景效果广泛用于数码相机与智能手机摄影，该任务备受关注。然而，在部分散焦图像中识别模糊的均匀区域与边界过渡仍具挑战性。为解决这些问题，我们首次将深度信息引入 DBD。当相机参数固定时，我们认为 DBD 的精度与场景深度高度相关。因此，我们将深度信息视为 DBD 的近似软标签，并提出了一种受知识蒸馏启发的联合学习框架。具体而言，我们同时从真实标注学习散焦模糊，以及从训练良好的深度估计网络蒸馏得到的深度。由此，清晰区域为深度估计提供强先验，而模糊检测也受益于蒸馏深度。此外，我们在全卷积网络(fully convolutional network, FCN)中提出一种新颖解码器作为网络结构。在解码器的每一层，我们设计了选择性感受野块(Selective Reception Field Block, SRFB)以高效融合多尺度特征，并复用侧输出作为监督引导注意力块(Supervision-guided Attention Block, SAB)。与先前方法不同，所提解码器以简单高效的方式构建感受野金字塔并强调显著区域。实验表明，我们的方法在两个流行数据集上优于其他 11 种最先进(state-of-the-art, SOTA)方法。我们的方法在单块 GPU 上亦以超过 30 fps 运行，比先前工作快 2 倍。代码见：https://github.com/vinthony/depth-distillation
引用
@article{arxiv.2007.08113,
title = {Defocus Blur Detection via Depth Distillation},
author = {Xiaodong Cun and Chi-Man Pun},
journal= {arXiv preprint arXiv:2007.08113},
year = {2020}
}
备注
ECCV 2020