Los enfoques tradicionales basados en hardware para la extensión de la profundidad de campo (DOF-E), como el diseño óptimo de lentes o apilamiento de enfoque mediante escaneo de capas, a menudo se ven obstaculizados por su volumen y costos prohibitivos. Mientras tanto, los algoritmos convencionales de fusión de imágenes de enfoque múltiple requieren una alineación espacial precisa, un desafío que se vuelve particularmente agudo en aplicaciones como la microscopía. Para abordar estas limitaciones, este documento propone un nuevo método de DOF-E de una sola imagen denominado SDENet. El método adopta una arquitectura de codificador-decodificador mejorada con atención automática multiescala y módulos de mejora de profundidad, lo que permite transformar una única imagen parcialmente enfocada en una salida completamente enfocada, recuperando de manera efectiva las regiones fuera de la profundidad de campo (DOF) original. Para apoyar el entrenamiento del modelo y la evaluación del rendimiento, introducimos un conjunto de datos dedicado (MSED) que contiene 1772 pares de imágenes de enfoque único y de enfoque total que cubren diversas escenas. Los resultados experimentales en múltiples conjuntos de datos verifican que SDENet supera significativamente a los métodos de desenfoque del estado del arte, logrando un PSNR de 26.98 dB y un SSIM de 0.846 en el conjunto de datos DPDD, lo que representa una mejora sustancial en claridad y coherencia visual en comparación con las técnicas existentes. Además, SDENet demuestra un rendimiento competitivo con métodos de fusión de múltiples imágenes mientras requiere solo una entrada única.
Zhang et al. (Fri,) estudiaron esta cuestión.