使用合成损坏数据对内窥镜深度估计的鲁棒性进行基准测试

准确的深度感知对于内窥镜手术中的患者预后至关重要，然而它却受到手术环境中常见图像失真的影响。为了解决这个问题，我们的研究提出了一个用于评估内窥镜深度估计模型鲁棒性的基准。我们编制了一个反映真实世界条件的综合数据集，包含了在不同严重程度下的一系列合成诱导损坏。为了进一步推动这项工作，我们引入了深度估计鲁棒性评分（DERS），这是一种新颖的指标，结合了误差、准确性和鲁棒性的度量，以满足外科应用的多方面要求。该指标作为评估性能的基础要素，为深度估计技术的比较分析建立了新的范式。此外，我们为内窥镜手术中的深度估计评估设定了一个专注于鲁棒性的基准，旨在推动模型改进的进展。使用我们的框架对两个单目深度估计模型进行的全面分析揭示了它们在不利条件下的可靠性的关键信息。我们的结果强调了能够容忍数据损坏的算法的必要性，从而推进了关于提高模型鲁棒性的讨论。这项研究的影响超越了理论框架，为手术精度和患者安全提供了具体收益。本研究为深度估计的鲁棒性建立了一个基准，并为开发更具弹性的手术支持技术奠定了基础。代码可在 https://github.com/lofrienger/EndoDepthBenchmark 获取。