本文提出了一种名为 D-DFFNet 的方法来检测图片中的 defocus 模糊区域。该方法通过隐式地结合深度信息和 DOF-edge 损失函数来理解 defocus 现象，并通过从预训练的单眼深度估计模型中提取深度特征。在公开基准数据集和新的大型数据集 EBD 上，该方法优于现有的各种方法。

Jun, 2023

本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统，并通过实验证明，相较于清晰图像，焦外特征能够有效提升深度预测准确性。

Sep, 2018

该研究提出了一种有效的去除焦外模糊的方法，利用大多数现代相机上的双像素传感器捕获的数据，通过深度神经网络结构来减少焦外模糊，并且通过精心捕获的数据集来证明了该方法的可行性。

May, 2020

本文提出了一种端到端的学习方法，称为 “Deep Depth From Focus (DDFF)”，该方法基于深度神经网络，利用配备了 co - 校准的 RGB-D 传感器的光场相机进行数据采集，数据集比既有基准数据集大 25 倍，可以用于解决计算机视觉中的 “Depth from focus (DFF)” 逆问题，实验结果表明，所提出的方法 “DDFFNet” 在所有场景中都取得了最先进的性能。

Apr, 2017

用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。

Nov, 2023

介绍了一种深度注意力分类网络，可以对单幅图像进行深度预测，在室内和室外场景都有良好表现，通过 softmax 分类器对像素的深度标签进行分类，并引入全局汇聚层和通道注意机制来自适应选择具有区分性的特征通道，并通过软加权求和推断策略来减少量化误差的影响。

Jul, 2018

这篇论文介绍了一种基于离散余弦变换（DCT）系数和感知共振神经网络（PCNN）结构的新型混合焦点检测方法，有效地检测出失焦图像中清晰物体，且在准确性和效率方面优于其他算法。

Oct, 2023

本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。

May, 2020

本研究提出了一种基于焦散先验和辐射先验的实现逼真的 bokeh 效果的框架，该框架模拟了摄影中的浅景深，能够准确地模拟深度关系和区分出焦点区域，并为焦点区域提供多种不同的处理方式，可以在不提供深度图的情况下，学习实现真实感的 bokeh 渲染。

Jun, 2023

使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制，从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比，该方法在景深控制和光圈大小选择方面更加灵活，且生成的图像质量较好。

Oct, 2018