Sep, 2024

EndoOmni：通过强健自学习从噪声标签中实现内窥镜零-shot跨数据集深度估计

HTML
PDF
TL;DR本研究解决了内窥镜中深度估计的跨域问题，传统方法因医学数据稀缺和标注质量低而受到限制。我们提出EndoOmni，一个新型基础模型，通过教师模型生成伪标签并引导学生模型，以自学习方式处理数据中的噪声，从而在深度估计中显著提高了准确性。实验结果表明，在特定数据集上，EndoOmni在绝对相对误差方面优于现有的最先进方法，展示了其在医学成像中的潜在影响。
发现论文，激发创造
  • 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

  • 学习如何在内窥镜视频中稳健地估计相机姿态

    该研究提出一种基于双目内窥镜深度估计和光流的深度声明网络，通过减小两个几何损失优化相机姿态估计，并且引入了两个自适应的像素权重映射来平衡贡献，实现在挑战性的内窥镜手术场景中更加鲁棒的相机姿态估计，具有推进微创外科领域相关任务（如SLAM或3D重建）的研究意义。

    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

  • EndoDAC: 适用于任何内视镜摄像机的高效自我监督深度估计的适应性基础模型

    我们提出了一种高效的自监督深度估计框架EndoDAC，它通过采用动态向量化低秩适应方法（DV-LoRA）和卷积颈块，利用极少的可训练参数将基础模型适应于外科手术领域，从而在更少的训练时期和未了解相机内参数的情况下获得卓越的性能。

    May, 2024

  • EndoOmni：通过噪声标签的强鲁棒自学习实现内窥镜的零样本跨数据集深度估计

    本研究解决了医学数据稀缺和标注质量低下导致的内窥镜单幅图像深度估计的局限性。我们提出了EndoOmni，这是首个用于内窥镜零样本跨域深度估计的基础模型，通过改进的自学习框架，结合深度标签和信心估计，显著提高了医疗成像的相对深度估计的准确性，实验结果表明，与现有方法相比，绝对相对误差减少了41%。

    Sep, 2024

  • 推进深度任何模型以无监督的单目深度估计在内窥镜中的应用

    本研究解决了现有深度估计网络在内窥镜图像应用中的局限性。我们提出了一种新颖的微调策略，结合内在的无监督单目深度估计框架，利用随机向量的低秩适应技术，提高模型对不同尺度的适应能力。实验结果表明，该方法在精度和安全性上显著增强了微创内窥镜手术的效果。

    Sep, 2024

  • EndoDepth：内窥镜深度预测鲁棒性评估基准

    本文针对内窥镜深度估计中存在的鲁棒性问题，提出了EndoDepth基准评估框架，以更好地评估单目深度预测模型在内窥镜场景中的表现。研究中引入了新的综合指标mDERS和专门为评估内窥镜鲁棒性而设计的新数据集SCARED-C，通过实验表明了现有深度预测模型在处理内窥镜图像干扰时的优缺点，为未来研究提供了重要参考。

    Sep, 2024

  • 面向全参数与高效参数自学习的内窥镜相机深度估计

    本研究解决了当前内窥镜深度估计领域中参数适应方法的不足，即限制了参数搜索并影响了训练动态。我们提出了一种全参数与高效参数的学习框架，能够同时适应多种子空间，显著提高了性能，初步实验表明在SCARED数据集上，该方法的性能改进幅度达到10.2%到4.1%。

    Oct, 2024

  • 基于生成潜在先验的自监督单目深度与姿态估计在内窥镜中的应用

    本研究解决了内窥镜中的深度与姿态估计问题，尤其在复杂的胃肠道条件下现有方法的局限性。通过引入生成潜在库和变分自编码器，提出了一种稳健的自监督框架，有效提升了深度预测的真实感与准确性。实验结果表明，该方法在深度与姿态估计方面显著优于现有自监督技术，具有重要的临床应用潜力。

    Nov, 2024