DepthPolyp：基于伪深度引导的轻量级实时结肠镜多任务分割
计算机视觉与模式识别
2026-05-19 v1 信号处理
摘要
准确的结肠镜多余肠瘤分割是早期结直肠癌检测的关键，但在真实临床环境中面临持续挑战，如运动模糊、光斑反射和光照不稳定。大多数现有方法在干净基准图像上优化，部署于真实手术场景时性能明显下降。我们提出DepthPolyp，一种基于伪深度引导的多任务学习和高效特征调制的轻量级鲁棒分割框架。该架构组合了层次性Ghost因子分解用于紧凑特征生成、交错混合融合用于低成本跨尺度交互，以及动态组门控用于自适应组间特征加权。大量实验表明，DepthPolyp在使用退化数据训练、在干净和噪声目标域上评估时，始终优于轻量级基线且与规模更大模型保持竞争力。在PolypGen上的真实手术视频评估中，DepthPolyp的分割性能优于规模最高可达 的模型，同时保持实时推理速度。仅需3.57M参数和0.86 GMACs，所提方法可在移动设备上实现180 FPS以上推理，适用于资源受限的临床环境。代码和预训练权重均可访问：https://github.com/ReaganWu/DepthPolyp/
引用
@article{arxiv.2605.16519,
title = {DepthPolyp: Pseudo-Depth Guided Lightweight Segmentation for Real-Time Colonoscopy},
author = {Zhuoyu Wu and Wenhui Ou and Lexi Zhang and Pei-Sze Tan and Dongjun Wu and Junhe Zhao and Wenqi Fang and Raphaël C. -W. Phan},
journal= {arXiv preprint arXiv:2605.16519},
year = {2026}
}
备注
This paper has been accepted to the International Conference on Pattern Recognition (ICPR 2026)