本文提出了一种将深度信息引入到 DBD 任务中，使用知识蒸馏的方法共同学习深度和模糊信息，设计了一个新的 FCN 网络结构，利用选择式接收域块和监督引导注意力块来提高多尺度特征的合并效率，实验证明该方法优于 11 种其他最先进的方法，并且单 GPU 上运行速度达到 30fps 以上，是以前方法的两倍更快。

Jul, 2020

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

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

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

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

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

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

提出了一种基于稀疏焦距堆栈的自监督 DFD 框架，无需深度或 AIF 图像基础知识，利用神经模型预测深度和 AIF 图像，并利用光学模型验证和精化预测。

Mar, 2023

本文提出了一种基于卷积神经网络的深度学习方法，使用微调的焦距图像识别出最佳焦点像素并通过焦距估计推断深度，通过深度差分聚合光学信息，利用概率回归处理稀疏采样的数据集，对目标的深度估计及预测提供不确定性。实验结果表明，该模型在多个数据集上均能取得最佳性能，具有很好的普适性和快速性能。

Dec, 2021