다중 초점 이미지 합성에서의 명확성 대비 및 유사성 선택

Clarity Contrast and Similarity Selection for Multi-Focus Image Fusion

다중 초점 이미지 합성(MFIF)은 동일 장면의 여러 이미지를 사용하여 전체적으로 선명한 하나의 이미지를 생성하는 것을 목표로 합니다. 대부분의 기존 딥러닝 기반 방법은 소스 이미지 간의 명시적인 상호 작용이 부족하여 성능과 해석 가능성이 제한됩니다. 본 논문에서는 다중 초점 이미지 합성을 위한 명확성 대비 및 유사성 선택 네트워크(CSNet)라는 새로운 방법을 제시합니다. 특히, 제안된 명확성 대비 어텐션 모듈(CCAM)을 통해 소스 이미지 간의 명확성 차이를 비교하여 선명한 특징은 강화하고 흐릿한 특징은 억제함으로써 상호 보완적인 효과를 얻습니다. 이를 통해 각 소스 이미지에서 정확히 초점이 맞추어진 영역을 식별하고, 초점-비초점 경계를 찾을 수 있습니다. 또한, 디포커스 확산 효과(DSE)는 모든 소스 이미지의 경계 주변 픽셀을 저하시킵니다. 이러한 모호한 영역을 더욱 개선하기 위해, 우리는 유사성 선택 전략을 도입합니다. 이 전략은 소스 이미지를 기반으로 초기 선명한 이미지를 재구성하고, 각 픽셀 간의 유사성을 비교하여 최적의 픽셀을 선택합니다. 이러한 상호 작용적인 접근 방식을 통해 CSNet은 초점 영역을 효과적으로 유지하고 자연스러운 경계를 복원하여 전체적으로 선명한 결과물을 생성합니다. 광범위한 실험 결과, 제안된 방법이 정량적 및 정성적으로 최첨단 성능을 달성함을 보여줍니다. 저희 코드의 Github 주소는 다음과 같습니다: https://github.com/ZYC-HUST/CSNet.

Multi-focus image fusion (MFIF) aims to generate an all-in-focus image from multiple images of the same scene focused at different regions. Most existing deep learning-based methods lack explicit interaction between the source images, which limits their performance and interpretability. This paper presents a novel Clarity Contrast and Similarity Selection Network (CSNet), to bridge direct information exchange for MFIF. Specifically, by contrasting the clarity differences between source images within our proposed Clarity Contrast Attention Module (CCAM), we mutually enhance sharp features while suppressing blurry ones. This allows us to identify the exactly focused regions in each source and locate the focused-defocused boundaries. Moreover, the Defocus Spread Effect (DSE) degrades pixels in all source images around the boundaries. To further refine these ambiguous areas, we introduce a Similarity Selection Strategy, which reconstructs an initial clear image from source images and selects optimal pixels by comparing the similarity among them. Through this interactive approach, CSNet effectively preserves focused regions as well as recovering natural boundaries to fuse an all-in-focus output. Extensive experiments demonstrate that our method achieves state-of-the-art performance both quantitatively and qualitatively. Our code is available on Github: https://github.com/ZYC-HUST/CSNet.