CoRe-DA：手术技能评估中无监督域适应的对比回归
计算机视觉与模式识别
2026-04-01 v1
摘要
基于视觉的手术技能评估（SSA）能够实现手术表现评估的客观化和规模化。该领域的进展受到手动标注定量技能评分的高成本和时间需求所制约，以及现有回归模型对新手术任务和环境的泛化能力差。与此同时，大量无标注视频数据现已可用，推动了SSA的无监督域适应（UDA）方法的发展。我们为SSA回归中的UDA引入了首个基准，涵盖四个数据集，涉及干实验室和临床环境以及开放式和机器人手术。我们在具有挑战性的域偏移下评估了八个代表性模型，并提出了CoRe-DA，一种新颖的基于对比回归的适应框架。我们的方法通过相对分数监督和目标域自训练学习域不变表示。在两个UDA设置下的综合实验表明，CoRe-DA优于最先进方法，在干实验室和临床目标数据集上分别达到Spearman相关系数0.46和0.41，且未使用任何有标注的目标数据进行训练。总体而言，CoRe-DA实现了可扩展的SSA并具有可靠的跨域泛化能力，而现有方法表现不佳。我们的代码和数据集将在https://github.com/anastadimi/CoRe-DA发布。
引用
@article{arxiv.2603.29666,
title = {CoRe-DA: Contrastive Regression for Unsupervised Domain Adaptation in Surgical Skill Assessment},
author = {Dimitrios Anastasiou and Razvan Caramalau and Jialang Xu and Runlong He and Freweini Tesfai and Matthew Boal and Nader Francis and Danail Stoyanov and Evangelos B. Mazomenos},
journal= {arXiv preprint arXiv:2603.29666},
year = {2026}
}