创新成果
创新成果
位置: 首页 > 创新成果 > 正文

唐厂,王力哲 等,计算机学院. IEEE T-PAMI (2020), DeFusionNET: Defocus Blur Detection via Recurrently Fusing and Refining Discriminative Multi-scale Deep Features

来源: 作者:发稿时间:2020-08-10 17:48浏览次数:

202086日,IEEE模式分析与机器智汇刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》正式首次刊发了我校计算机学院唐厂副教授与国防科技大学、澳大利亚卧龙岗大学、悉尼大学等单位合作完成的研究成果——DeFusionNET: Defocus Blur Detection via Recurrently Fusing and Refining Discriminative Multi-scale Deep Features (基于多尺度深度特征迭代融合和修正的图像模糊检测网络),论文的第一作者为唐厂副教授,计算机学院王力哲教授为合作作者。

图像的模糊检测与去除是计算机视觉领域的一个热门研究课题。图像的模糊现象在成像过程中较为常见,模糊检测在图像的质量评价、图像去模糊、图像模糊效果增强以及模糊图像融合等方面有很重要的作用。但是该任务目前面临一系列的挑战:首先是传统手工提取的图像特征对图像内容的语义表达不足;其次是图像模糊的主观感受对图像的尺度较敏感;再则是现有的基于深度神经网络的方法对不同网络层特征的利用不是很充分。

针对上述问题,该研究基于深度神经网络,构建了一个多尺度深度特征融合与修正模块,用来对神经网络的不同层深度特征进行有效调节与修正,达到高层语义与低层细节兼备的效果。同时对不同层的输出结果进行融合来有效地捕获图像的多尺度信息。考虑到深度神经网络不同特征通道对检测任务的不同作用,我们提出了一个双路通道加权模块,分别通过平均池化和最大池化操作来捕获模糊区域的模糊程度和区域大小。实验结果证该方法在公共数据集上能得到最好的效果,为后续图像质量增强、图像融合以及模糊特效生成提供了很好地预处理方法。

该项研究得到该项研究得到国家自然科学基金青年项目、国家自然科学基金优秀青年项目以及国家自然科学基金杰出青年基金项目的资助。

论文信息:

Title: DeFusionNET: Defocus Blur Detection via Recurrently Fusing and Refining Discriminative Multi-scale Deep Features

Authors: Chang Tang, Xinwang Liu, Xiao Zheng, Wanqing Li, Jian Xiong, Lizhe Wang, Albert Zomaya, Antonella Longo

Source: IEEE Transactions on Pattern Analysis and Machine Intelligenc

PublishedAugust 2020

DOI: 10.1109/TPAMI.2020.3014629

论文链接https://ieeexplore.ieee.org/document/9161280/