连接修复与诊断：眼底图像增强的全面基准
计算机视觉与模式识别
2026-04-07 v1
摘要
过去十年，生成模型在提升眼底图像方面取得了成功，但这些模型的评估仍面临挑战。亟需一个眼底图像增强基准，主要原因有三点：(1) 传统去噪指标如 PSNR 和 SSIM 无法捕捉临床相关特征，如病灶保持和血管形态一致性，限制了其在实际场景中的适用性；(2) 缺乏统一的评估协议，尤其是针对受临床专家指导的配对和非配对增强方法；(3) 评估框架应提供可操作的见解，以指导未来在临床导向增强模型方面的进展。为解决这些问题，我们引入 EyeBench-V2，旨在搭建增强模型性能与临床实用性之间的鸿沟。本工作的三个关键贡献：(1) 通过下游评估实现多维度临床对齐：除标准增强指标外，我们评估包括血管分割、糖尿病性视网膜病变（DR）分级、对未知噪声模式的泛化以及病灶分割等临床意义任务的性能；(2) 受专家指导的评估设计：我们策划了一个新数据集，使配对和非配对增强方法的公平比较成为可能，并附带由医学专家提供的结构化手动评估协议，评估病灶结构变化、背景颜色偏移以及人工结构的引入等临床关键方面；(3) 可操作的见解：本基准为现有生成模型提供严谨、任务导向的分析，为临床研究人员提供决策依据，同时识别了当前方法的局限性，以指导下一代增强模型的设计。
引用
@article{arxiv.2604.03806,
title = {Bridging Restoration and Diagnosis: A Comprehensive Benchmark for Retinal Fundus Enhancement},
author = {Xuanzhao Dong and Wenhui Zhu and Xiwen Chen and Hao Wang and Xin Li and Yujian Xiong and Jiajun Cheng and Zhipeng Wang and Shao Tang and Oana Dumitrascu and Yalin Wang},
journal= {arXiv preprint arXiv:2604.03806},
year = {2026}
}