基于时间一致性的将相对单目深度转移到外科视觉上

Mar, 2024

基于时间一致性的将相对单目深度转移到外科视觉上

Transferring Relative Monocular Depth to Surgical Vision with Temporal Consistency

Charlie Budd, Tom Vercauteren

TL;DR通过使用时间一致性自我监督的有效简单方式，在内窥镜图像的低数据情况下，相对单眼深度对训练模型进行了改进，并在该任务中优于现有的自我监督技术，同时也显著优于内窥镜领域的最先进方法。我们还发布了我们的代码、模型和集成的元 - 医学数据集 Meta-MED，为未来的工作建立了一个强大的基准。

Abstract

relative monocular depth, inferring depth up to shift and scale from a single image, is an active research topic. Recent deep learning models, trained on large and varied meta-datasets, now provide excellent perf

relative monocular depth deep learning models endoscopic images temporal consistency self-supervision meta-med

发现论文，激发创造

内窥镜单目深度预测任务导向的领域差异减小

该研究提出了一种新方法来利用标记的合成数据和未标记的真实数据，以实现对结肠镜序列的更具弹性和准确的深度图预测。

Oct, 2023

自监督学习的深度和运动在光度不一致下的训练

本文介绍了一种通过自监督学习获得单目序列深度和姿态的方法，该方法不需要基础数据的支持，增加了更强的几何量和时间图像序列内部一致性的约束条件，能够显著提高单目图像序列深度和相对姿态估计的性能。

Sep, 2019

单目内窥镜深度估计的几何感知深度神经网络

本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有优于现有方法的表现。

Apr, 2023

单目内窥镜中用于密集深度估计的自监督学习

本文提出一种无监督的自我监督方法，用于训练卷积神经网络从单目内窥镜数据中密集地估计深度，而无需先验建模解剖或着色。

Jun, 2018

使用自我监督学习方法进行单目内窥镜密集深度估计

提出了一种基于单目内窥镜数据的自监督卷积神经网络训练方法，无需解剖学或阴影的先验建模，仅需要单目内窥镜视频和多视角立体方法，如运动结构，以稀疏方式监督学习。

Feb, 2019

姿势约束用于一致的自监督单目深度和自我运动

引入了一组时间一致性损失，用以减少自监督单目深度估计中尺度混淆和时间不一致性，提高深度和自我运动预测的基础性能。

Apr, 2023

利用近场照明从内窥镜视频进行单目深度估计

本论文介绍了在内窥镜图像中利用光度线索提高单目深度估计的方法，并通过使用自监督和监督训练的方法，结合教师 - 学生迁移学习，实现了对内窥镜图像的高质量深度估计。

Mar, 2024

LightDepth: 单视角深度自监督技术与光照衰减关系

通过利用单视角自监督信号，我们提出了一种单视角自监督方法，它在没有深度基准数据的情况下达到了与监督学习方法类似的性能。

Aug, 2023

结直肠镜深度估计的跨任务一致性多任务学习

该研究论文介绍一种新颖的多任务学习方法，用于通过共享编码器和两个解码器进行肠镜深度估计，提高对结肠黏膜表面的准确度。

Nov, 2023

动态场景下的无监督单目深度学习

本研究提出一种方法，利用单眼光度一致性为唯一的监督，联合训练深度、自我运动估计和物体相对于场景的稠密三维平移场的估计，通过已知 3D 平移场的稀疏性和对于刚性移动物体的恒定性进行正则化，有效提高了单眼深度预测模型的准确性。

Oct, 2020