Cervical cytopathology image refocusing is important for addressing the problem of defocus blur in whole slide images. However, most of current deblurring methods are developed for global motion blur instead of local defocus blur and need a lot of supervised re-training for unseen domains. In this paper, we propose a refocusing method for cervical cytopathology images via multi-scale attention features and domain normalization. Our method consists of a domain normalization net (DNN) and a refocusing net (RFN). In DNN, we adopt registration-free cycle scheme for normalizing the unseen unsupervised domains into the seen supervised domain and introduce gray mask loss and hue-encoding mask loss to ensure the consistency of cell structure and basic hue. In RFN, combining the locality and sparseness characteristics of defocus blur, we design a multi-scale refocusing network to enhance the reconstruction of cell nucleus and cytoplasm, and introduce defocus intensity estimation mask to strengthen the reconstruction of local blur. We integrate hybrid learning strategy on the supervised and unsupervised domains to make RFN achieving well refocusing on the unsupervised domain. We build a cervical cytopathology image refocusing dataset and conduct extensive experiments to demonstrate the superiority of our method compared with current deblurring state-of-the-art models. Furthermore, we prove that the refocused images help improve the performance of subsequent high-level analysis tasks. We release the refocusing dataset and source codes to promote the development of this field.

宫颈细胞病理学图像重新聚焦对于解决整个幻灯片图像中的散焦模糊问题很重要。然而，目前大多数去模糊方法都是针对全局运动模糊而不是局部散焦模糊开发的，并且需要对不可见域进行大量有监督的再训练。在本文中，我们提出了一种通过多尺度注意特征和域归一化对宫颈细胞病理学图像进行重新聚焦的方法。我们的方法由域归一化网络 (DNN) 和重新聚焦网络 (RFN) 组成。在 DNN 中，我们采用无注册循环方案将看不见的无监督域归一化为看见的监督域，并引入灰色掩码损失和色调编码掩码损失以确保单元结构和基本色调的一致性。在RFN中，结合散焦模糊的局部性和稀疏性特点，我们设计了一个多尺度重聚焦网络来增强细胞核和细胞质的重建，并引入散焦强度估计掩码来加强局部模糊的重建。我们在监督域和非监督域上集成了混合学习策略，使 RFN 在非监督域上实现了很好的重新聚焦。我们建立了一个宫颈细胞病理学图像重聚焦数据集并进行了大量实验，以证明我们的方法与当前最先进的去模糊模型相比的优越性。此外，我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。并引入散焦强度估计mask来加强局部模糊的重建。我们在监督域和非监督域上集成了混合学习策略，使 RFN 在非监督域上实现了很好的重新聚焦。我们建立了一个宫颈细胞病理学图像重聚焦数据集并进行了大量实验，以证明我们的方法与当前最先进的去模糊模型相比的优越性。此外，我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。并引入散焦强度估计mask来加强局部模糊的重建。我们在监督域和非监督域上集成了混合学习策略，使 RFN 在非监督域上实现了很好的重新聚焦。我们建立了一个宫颈细胞病理学图像重聚焦数据集并进行了大量实验，以证明我们的方法与当前最先进的去模糊模型相比的优越性。此外，我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。我们在监督域和非监督域上集成了混合学习策略，使 RFN 在非监督域上实现了很好的重新聚焦。我们建立了一个宫颈细胞病理学图像重聚焦数据集并进行了大量实验，以证明我们的方法与当前最先进的去模糊模型相比的优越性。此外，我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。我们在监督域和非监督域上集成了混合学习策略，使 RFN 在非监督域上实现了很好的重新聚焦。我们建立了一个宫颈细胞病理学图像重聚焦数据集并进行了大量实验，以证明我们的方法与当前最先进的去模糊模型相比的优越性。此外，我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。我们证明重新聚焦的图像有助于提高后续高级分析任务的性能。我们发布了重新聚焦数据集和源代码，以促进该领域的发展。