A Unified Approach of Multi-scale Deep and Hand-crafted Features for Defocus Estimation
https://arxiv.org/pdf/1704.08992.pdf
PreviousDeMoN: Depth and Motion Network for Learning Monocular StereoNextOne-Shot Video Object Segmentation
Last updated
https://arxiv.org/pdf/1704.08992.pdf
Last updated
Keyword: Low- & Mid-Level Vision, Defocus
结合传统的频率特征、梯度特征、SVD奇异值特征和深度网络CNN特征，学习分割聚焦图像的前后景。可应用于图像增强（强化背景模糊）图像还原（估算高斯核去模糊 ）和深度信息判断。
结合传统方法和深度学习的方法分析图像去焦化
尝试通过提取多尺度边缘区域特征，解决图像同质性区域的去焦化问题
实验证明论文方法可应用于图像分割、图像强化和深度信息提取等。
由于传统的图像特征依赖于图像纹理，特别是边缘信息，对于纹理信息不明显的图像，作者采用了随机采样的方式进行弥补，因此该方法在图像拥有大面积同质性区域时失效。
