DualFocus：基于空间-焦距双变分约束的离焦深度估计
计算机视觉与模式识别
2025-09-29 v1
摘要
离焦深度估计通过分析在不同焦距下拍摄的一组图像中的聚焦线索来实现精确的深度估计。尽管近期基于学习的方法推进了该领域的发展，但它们在具有精细纹理或深度突变的复杂场景中常常遇到困难，因为在这些场景中聚焦线索可能变得模糊或具有误导性。我们提出了 DualFocus，一种新颖的 DFF 框架，它利用由焦距变化引起的焦点堆栈的独特梯度模式，在空间维度和焦距维度上联合建模焦点变化。我们的方法引入了为 DFF 量身定制的双约束变分公式：空间约束利用跨焦距级别的梯度模式变化来区分真实深度边缘和纹理伪影，而焦距约束则强制执行与物理聚焦行为一致的单调单峰聚焦概率。这些归纳偏置提高了具有挑战性区域的鲁棒性和准确性。在四个公开数据集上的综合实验表明，DualFocus 在深度精度和感知质量上均持续优于 SOTA 方法。
引用
@article{arxiv.2509.21992,
title = {DualFocus: Depth from Focus with Spatio-Focal Dual Variational Constraints},
author = {Sungmin Woo and Sangyoun Lee},
journal= {arXiv preprint arXiv:2509.21992},
year = {2025}
}
备注
Accepted by NeurIPS 2025