EndoVGGT：用于手术 3D 重建的 GNN 增强深度估计
计算机视觉与模式识别
2026-05-13 v2 人工智能
摘要
对可变形软组织进行准确的 3D 重建是手术机器人感知的关键任务。然而，低纹理表面、光斑高光和仪器遮挡常常导致几何连续性碎片化，给已有的固定拓扑方法带来挑战。为此，我们提出了 EndoVGGT，一个具备变形感知图注意力 (DeGAT) 模块的几何中心框架。DeGAT 不使用静态空间邻域，而是动态构建特征空间语义图来捕获连贯组织区域之间的长程相关性。这使得在遮挡区域传播结构线索成为可能，实现全局一致性并提高非刚性变形恢复。在SCARED 上进行的大量实验表明，我们的方法在保真度上显著提升，PSNR 提升 24.6%，SSIM 提升 9.1%。关键的是，EndoVGGT 在未见的 SCARED 和 EndoNeRF 数据集上表现出强大的零样本跨数据集泛化，表明 DeGAT 学习的是域无关的几何先验。这些结果凸显了动态特征空间建模在保持手术 3D 重建一致性方面的有效性。
引用
@article{arxiv.2603.24577,
title = {EndoVGGT: GNN-Enhanced Depth Estimation for Surgical 3D Reconstruction},
author = {Falong Fan and Yi Xie and Arnis Lektauers and Bo Liu and Jerzy Rozenblit},
journal= {arXiv preprint arXiv:2603.24577},
year = {2026}
}
备注
We withdraw this submission due to significant errors in the presentation and logical structure of the paper. We found that the current version does not accurately convey the research findings and requires a major overhaul of the manuscript's methodology description and results analysis