基于光学模型的自动对焦研究获 ICCV 2025 会议接收

研究问题

小景深成像系统的清晰成像范围有限，对焦点位置的偏差较为敏感。当图像处于严重失焦状态时，结构与纹理信息会被进一步减弱，因此焦点调整也更难获得可靠依据。 传统方法通常依赖反复采样与搜索，而直接预测离焦距离的学习方法又面临焦平面两侧模糊表征相似而造成无法判定方向的问题。如何减少搜索需求，并在较大的失焦范围内可靠对焦，是本文研究尝试解决的核心问题。

方法概述

我们提出了一种基于光学模型驱动的锐度映射自动对焦方法，将图像锐度预测与成像系统的物理关系相结合。 该方法通过神经网络估计失焦图像的锐度，再利用光学模型建立锐度与离焦距离之间的联系，指导后续焦点调整。

因此方法的创新点在于以锐度作为连接图像观测与对焦动作的中间表征，将图像特征的预测能力与光学模型的物理约束结合起来，以此指导焦距调整的搜索空间。

核心效果

在论文所测试的多种工业样本上，我们提出的方法覆盖了约 35 倍景深的对焦范围，这实现了目前的SOTA效果，并且我们在五步调整内达到超过 95% 的合焦率。 实验涵盖从严重散焦位置开始的情况，表明该方法能够在较大的初始离焦范围内，通过有限次数（小于5次）的调整实现有效对焦。

总结

这项研究围绕小景深与严重散焦条件下的对焦需求，将光学模型与图像学习方法得到的锐度信息相结合，为精密成像和工业视觉中的自动对焦提供了具有实践价值的方法。

相关研究成果已被 IEEE/CVF International Conference on Computer Vision（ICCV 2025）接收，论文全文见：Optical Model-Driven Sharpness Mapping for Autofocus in Small Depth-of-Field and Severe Defocus Scenarios 。