EndoMINI: Stima della Profondità Self-Supervised per Scene Endoscopiche
È stato proposto un nuovo framework self-supervised chiamato EndoMINI per affrontare le sfide nella stima della profondità per interventi chirurgici endoscopici. Il metodo, descritto in un articolo su arXiv (2608.00415), introduce una miscela di esperti a basso rango (MiLoRE) per un fine-tuning efficiente in termini di parametri, migliorando l'adattamento del modello a diverse scene endoscopiche. Inoltre, una tecnica di allineamento delle immagini intrinseche (IIA), supportata da una nuova rete di decomposizione delle immagini intrinseche, è integrata nella funzione di perdita per mitigare gli effetti della riflettanza della luce. L'approccio è stato valutato sul dataset SCARED per la stima supervisionata della profondità e sui dataset Hamlyn e SERV-CT per la stima zero-shot della profondità, dimostrando prestazioni all'avanguardia. Questa ricerca contribuisce a migliorare la percezione 3D nelle procedure endoscopiche, potenzialmente aiutando la navigazione chirurgica e l'automazione.
Fatti principali
- EndoMINI è un framework self-supervised per la stima della profondità in scene endoscopiche.
- MiLoRE (miscela di esperti a basso rango) consente un fine-tuning efficiente in termini di parametri.
- IIA (allineamento delle immagini intrinseche) è introdotto per ridurre l'interferenza della riflettanza della luce.
- Una nuova rete di decomposizione delle immagini intrinseche supporta la tecnica IIA.
- La valutazione è stata condotta sui dataset SCARED, Hamlyn e SERV-CT.
- Il metodo raggiunge risultati all'avanguardia nella stima della profondità supervisionata e zero-shot.
- L'articolo è disponibile su arXiv con ID 2608.00415.
- La ricerca affronta sfide come l'interferenza dell'illuminazione e la diversità delle caratteristiche in endoscopia.
Entità
Istituzioni
- arXiv