使用光学成像系统捕获的大多数图像通常包含散焦模糊。该模糊是由宽孔径引起的，当场景点不在相机的对焦距离时，通过宽孔径造成的宽度，这可以防止光线会聚。图像中的另一种类型的共同模糊是运动模糊，这是由相机和场景对象之间的相对运动引起的。图像中的模糊会导致图像质量的恶化，并且被认为是一种不希望的效果，因为它导致丢失场景解释所需的必要细节。因此，在图像中自动检测图像中的模糊和尖锐像素以及它们的分类对于不同的图像处理和计算机视觉应用是必不可少的，包括但不限于对象检测，场景分类，图像分割，背景模糊放大倍数，景深扩展和深度估计。

没有任何先前信息的单个图像的模糊检测和分割是一个具有挑战性的任务。模糊检测方法的性能受到许多挑战的影响。首先，传统的低级功能无法区分从集中区域的模糊区域。模糊区域不包含来自聚焦平滑区域的结构信息。此外，良好聚焦区域和模糊区域之间的边缘信息尚未适当地保留。此外，有限的数据集可用于深度学习，具有散焦和运动模糊的图像。

这一特殊问题的目的是征求原始研究文章，并审查探索近期趋势的文章，以了解图像模糊。我们希望这一特殊问题也会聚集在模糊检测中的新方法，应用中的新方法，以及分类。特别鼓励讨论机器学习，深度学习和基于优化方法的新贡献，以检测和分类模糊和非截选图像像素的新颖贡献。

潜在主题包括但不限于以下内容：

• 模糊检测和分类的数学模型
• 基于监督和无监督的机器学习的模糊检测和分类技术
• 基于深度学习的模型和模糊检测和分类方法
• 基于统计的基于探测和分类的方法和模型
• 基于优化模型和模糊检测和分类的技术
• 场景分类模糊检测和分类
• 基于模糊的图像和场景分割
• 自然图像中部分模糊的估计与分割
• 基于模糊的物体检测和识别
• 来自Defocus Blur的三维（3D）形状
• 基于模糊的深度估计和深度增强