论文解读： Learning to AutoFocus

Posted 2022-12-07 Matrix_11

论文解读： Learning to AutoFocus (二)

前面介绍了 Learning to AutoFocus 这篇文章，这篇文章主要是基于深度学习的方式来实现自动对焦算法的，不过这篇文章的补充材料里面，也介绍了很多传统算法的自动对焦算法，总得来说，是基于反差的对焦技术和基于相位检测的对焦技术。

Contrast-Based Baseline Algorithms

基于反差的对焦算法，就是给定一组 $n$ 张不同对焦距离下的图，$I_k,k\in 1,2,...n$，这样一组图像称为 focal stack，比较这组图像中，每幅图像的 contrast score $\varphi$，选择其中值最大的那个 focal slice 作为我们的目标，从而得到最佳的对焦距离，这篇文章列举了很多的评估 contrast score 的方法，刚好可以学习学习基于反差的对焦算法都有哪些评价方式：

Intensity Variance

最常用的一个指标是方差信息，很明显，如果对焦不清晰的话，图像会比较模糊，这个时候的方差会比较小，反之，如果图像比较清晰，那么方差会比较大：

$$\varphi =Var(I)$$

Intensity Coefficient of Variation

这个指标，也是考虑对焦区域的变化程度，用标准差除以图像的均值：

$$\varphi =\frac{\sqrt{Var(I)}}{\mu (I)}$$

Total Variation (L1)

这个 TV 项简单来说，就是看图像的梯度的绝对值，梯度越大，对焦越清晰：

$$\varphi =\sum _{x,y}\Vert I[x+1,y]-I[x,y]\Vert +\Vert I[x,y+1]-I[x,y]\Vert$$

Total Variation (L2)

这个是 TV 项的 L2 范数，就是梯度的平方和：

$$\varphi =\sum _{x,y}(I[x+1,y]-I[x,y]{)}^2+(I[x,y+1]-I[x,y]{)}^2$$

Energy of Laplacian

这个评价方法就是利用拉普拉斯算子对图像做卷积，然后再求平方和。

$$\varphi =\sum _{x,y}\Delta [x,y{]}^2,\Delta =I\ast \left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]$$

Laplacian Variance

这个评价方法是对拉普拉斯卷积后的图像求方差：

$$\varphi =Var(\Delta [x,y]),\Delta =I\ast \left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]$$

Sum of Modified Laplacian

这个也是基于拉普拉斯算子的：

$$\varphi =\sum _{x,y}\Delta [x,y],\Delta =|I\ast L_x|+|I\ast L_y|$$

$$L_x=\left[\begin{array}{ccc}0& 0& 0\\ 1& -2& 1\\ 0& 0& 0\end{array}\right]，L_y=L_x^T$$

Diagonal Laplacian

$$\varphi =\sum _{x,y}\Delta [x,y]$$

$$\Delta =|I\ast L_x|+|I\ast L_y|+|I\ast L_{xy}|+|I\ast L_{yx}|$$

L x y = 1 2 [ 0 0 1 0 − 2 0 1 0 0 ] , L y x = L x y T L_xy = \\frac1\\sqrt2 \\beginbmatrix 0 & 0 & 1 \\\\ 0 & -2 & 0 \\\\ 1 & 0 & 0 \\endbmatrix , \\quad L_yx = L_xy^T Lxy​=2以上是关于论文解读： Learning to AutoFocus的主要内容，如果未能解决你的问题，请参考以下文章

论文学习-《Learning to Compose with Professional Photographs on the Web》

Meta learning paper：Learning to learn by gradient descent by gradient descent (Nips2016)

论文解读（node2vec）《node2vec Scalable Feature Learning for Networks》

论文代码解读 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation

A Unified Deep Model of Learning from both Data and Queries for Cardinality Estimation 论文解读（SIGMOD 2

Adaptive Personalized Federated Learning 论文解读+代码解析