单眼深度引导的遮挡感知视差细化：基于半监督学习的腹腔镜图像
计算机视觉与模式识别
2025-05-14 v1
摘要
遮挡和标注外科数据的稀缺是胶质镜图像立体视差估计的重要挑战。为此，本研究提出一种深度引导遮挡感知视差细化网络（DGORNet），通过利用不受遮挡影响的单眼深度信息来细化视差图。引入位置嵌入（PE）模块以提供显式的空间上下文，增强网络对特征的局部化和细化能力。此外，我们引入光流差损失（OFDLoss）用于无标签数据，利用视频帧之间的时间连续性来提高动态手术场景中的鲁棒性。在SCARED数据集上的实验表明，DGORNet在端点误差（EPE）和均方根误差（RMSE）方面均优于当前最先进的方法，尤其在遮挡和纹理缺失区域表现更佳。消融研究确认了位置嵌入和光流差损失的贡献，凸显了其在提高空间和时间一致性方面的作用。这些结果凸显了DGORNet在腹腔手术视差估计中的有效性，为解决视差估计和数据限制问题提供了实用方案。
引用
@article{arxiv.2505.08178,
title = {Monocular Depth Guided Occlusion-Aware Disparity Refinement via Semi-supervised Learning in Laparoscopic Images},
author = {Ziteng Liu and Dongdong He and Chenghong Zhang and Wenpeng Gao and Yili Fu},
journal= {arXiv preprint arXiv:2505.08178},
year = {2025}
}