EndoDepth：用于评估内窥镜深度预测鲁棒性的基准
计算机视觉与模式识别
2024-10-01 v1
摘要
内窥镜中准确的深度估计对于成功实施各种医疗程序和计算机辅助设计工具中的计算机视觉管线至关重要。本文提出了 EndoDepth 基准测试框架，用于评估内窥镜场景下单目深度预测模型的鲁棒性。不同于传统数据集，EndoDepth 基准包含内窥镜程序中常见的挑战。我们提出一种评估方法，一致且专为评估内窥镜场景下的鲁棒性性能而设计。其中包括一种新型复合指标——平均深度估计鲁棒性得分（mDERS），提供对模型在内窥镜图像损坏情况下的准确性进行深入评估。此外，我们提出了 SCARED-C 数据集，专为评估内窥镜鲁棒性而设计。通过大量实验，我们在 EndoDepth 基准上评估了最先进的深度预测架构，揭示了其在处理内窥镜挑战性成像伪影方面的优势与不足。我们的结果表明，针对内窥镜准确深度估计的专业技术至关重要，为未来研究方向提供了宝贵的见解。
引用
@article{arxiv.2409.19930,
title = {EndoDepth: A Benchmark for Assessing Robustness in Endoscopic Depth Prediction},
author = {Ivan Reyes-Amezcua and Ricardo Espinosa and Christian Daul and Gilberto Ochoa-Ruiz and Andres Mendez-Vazquez},
journal= {arXiv preprint arXiv:2409.19930},
year = {2024}
}