链路式视觉推理用于稠密外科器械计数
计算机视觉与模式识别
2026-02-12 v1 人工智能
摘要
精确计数Operating Room（OR）中的外科器械是确保手术期间患者安全的关键前提。尽管近期的大型视觉语言模型和智能体AI在此方面取得了进展，但在器械紧密聚集的稠密场景中准确计数仍高度具有挑战性。为此，我们提出Chain-of-Look，一种新型视觉推理框架，通过强制执行结构化视觉链而非依赖经典无序目标检测，模拟人类顺序计数过程。这一视觉链引导模型沿连贯的空间轨迹进行计数，在复杂场景中提升准确性。为进一步强化视觉链的物理合理性，我们引入邻近损失函数，显式建模稠密排列外科器械所固有的空间约束。我们还构建了 SurgCount-HD 数据集，包含1,464张高密度外科器械图像。大量实验表明，我们的方法在稠密外科器械计数任务中超越了当前最先进的方法（如CountGD、REC）以及多模态大语言模型（如Qwen、ChatGPT）。
引用
@article{arxiv.2602.11024,
title = {Chain-of-Look Spatial Reasoning for Dense Surgical Instrument Counting},
author = {Rishikesh Bhyri and Brian R Quaranto and Philip J Seger and Kaity Tung and Brendan Fox and Gene Yang and Steven D. Schwaitzberg and Junsong Yuan and Nan Xi and Peter C W Kim},
journal= {arXiv preprint arXiv:2602.11024},
year = {2026}
}
备注
Accepted to WACV 2026. This version includes additional authors who contributed during the rebuttal phase