La medición visual microscópica se aplica ampliamente en campos como el microensamblaje. Debido a factores como la profundidad de campo de la imagen, las imágenes presentan fenómenos de desenfoque múltiple, lo que afecta la precisión de las mediciones posteriores. Aunque la tecnología de autoenfoque microscópico puede mitigar el problema de desenfoque, es lenta y difícil de adaptar a los requisitos de producción eficiente. Este artículo propone un modelo de desborrosamiento de extremo a extremo que combina la discriminación de desenfoque y la recuperación de múltiples ramas, estableciendo una estrategia de dividir y conquistar basada en segmentación, discriminación, desborrosamiento y fusión: primero se corta una imagen en un conjunto de subimágenes, que se envían simultáneamente al discriminador y a la red de recuperación; en el discriminador, mediante la transformada de Fourier se obtiene la distribución en el dominio de la frecuencia, luego la red Vision-Transformer extrae características desenfocadas profundas con asociaciones globales del dominio de la frecuencia, y después se obtiene una salida de discriminación de desenfoque. Según el resultado de la discriminación, la red de recuperación de múltiples ramas realiza una recuperación orientada en las subimágenes con diferentes grados de desenfoque, y finalmente las subimágenes procesadas se fusionan para obtener una imagen de alta definición. Los resultados experimentales muestran que el modelo propuesto puede restaurar eficazmente imágenes microscópicas con desenfoque múltiple, con una precisión de discriminación de 0,94, y después del procesamiento por la red de recuperación de múltiples ramas, el índice PSNR aumentó en promedio 6,3.

microensamblaje;visión microscópica;discriminación de desenfoque;procesamiento en el dominio de la frecuencia