通过生成式建模提高从深度图像合成压力分布的可信度
图像与视频处理
2026-02-13 v2 计算机视觉与模式识别
机器学习
摘要
监测医院床上的接触压力对于预防压疮和实现实时患者评估至关重要。当前方法可以预测压力图，但往往缺乏物理可信度，限制了临床可靠性。本工作提出了通过 Informed Latent Space（ILS）和 Weight Optimization Loss（WOL）结合条件生成式建模来增强可信度的框架，以产生高保真、在物理上一致的压力估计。本研究还应用基于扩散的条件Brownian Bridge Diffusion Model（BBDM），并为其潜在对手 Latent Brownian Bridge Diffusion Model（LBBDM）定制了训练策略，专为卧姿姿态下的压力合成。实验结果表明，所提出的方法在物理可信度和性能方面优于基线方法：BBDM配合ILS在计算成本和大型推理时间方面提供高度细节的图，然而LBBDM提供更快的推理速度且性能相当。总体而言，该方法支持非侵入式、基于视觉的、临床环境中的实时患者监测。
引用
@article{arxiv.2512.13757,
title = {Improving the Plausibility of Pressure Distributions Synthesized from Depth Image through Generative Modeling},
author = {Neevkumar Manavar and Hanno Gerd Meyer and Joachim Waßmuth and Barbara Hammer and Axel Schneider},
journal= {arXiv preprint arXiv:2512.13757},
year = {2026}
}