DenseTRF：基于纹理感知注意力的手术场景密集预测无监督表示适应
计算机视觉与模式识别
2026-05-13 v1 人工智能
机器学习
摘要
手术计算机视觉中的密集预测任务，如分割和手术区域预测，可为腹腔镜和机器人手术提供有价值的指导。然而，这些模型常因分布迁移而受限，因为训练数据集很少覆盖部署过程中遇到的变异性，导致泛化性能差。我们提出DenseTRF，一个基于纹理中心注意力的自监督表示适应框架。该方法利用slot attention学习纹理感知表示，以捕获不变的视觉结构。通过在无监督方式下将这些表示适应到目标分布，DenseTRF显著提高了对域迁移的鲁棒性。该框架通过在slot attention和模型合并策略上实现密集预测来实现。跨多个手术程序的实验表明，与最先进的分割模型和密集预测任务的测试分布适应方法相比，DenseTRF在跨分布泛化方面表现出改进。
引用
@article{arxiv.2605.11265,
title = {DenseTRF: Texture-Aware Unsupervised Representation Adaptation for Surgical Scene Dense Prediction},
author = {Guiqiu Liao and Matjaž Jogan and Daniel A. Hashimoto},
journal= {arXiv preprint arXiv:2605.11265},
year = {2026}
}
备注
Accepted to 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026)