ColDE：一种用于结肠镜重建的深度估计框架
图像与视频处理
2021-11-23 v1 计算机视觉与模式识别
机器学习
摘要
从单目视频重建三维网格的关键要素之一是为每一帧生成深度图。然而，在结肠镜视频重建的应用中，生成高质量的深度估计具有挑战性。神经网络很容易被光度干扰所欺骗，或者无法捕捉结肠表面的复杂形状，从而预测出有缺陷的形状，导致网格断裂。为了从根本上改善结肠镜三维重建的深度估计质量，本文设计了一组训练损失以应对结肠镜数据的特殊挑战。为了更好的训练，利用深度和表面法线信息开发了一组几何一致性目标。此外，经典的光度损失通过特征匹配进行了扩展，以补偿光照噪声。由于训练损失足够强大，我们名为 ColDE 的自监督框架能够比先前利用先验深度知识的工作生成更好的结肠镜数据深度图。用于重建时，我们的网络能够实时重建高质量的结肠网格而无需任何后处理，使其成为首个具有临床适用性的方法。
引用
@article{arxiv.2111.10371,
title = {ColDE: A Depth Estimation Framework for Colonoscopy Reconstruction},
author = {Yubo Zhang and Jan-Michael Frahm and Samuel Ehrenstein and Sarah K. McGill and Julian G. Rosenman and Shuxian Wang and Stephen M. Pizer},
journal= {arXiv preprint arXiv:2111.10371},
year = {2021}
}
备注
13 pages, 5 figures