PhySe-RPO：基于物理与语义引导的扩散方法去除手术烟雾的相对策略优化
人工智能
2026-05-06 v4
摘要
手术烟雾严重影响术中视频质量，遮蔽解剖结构，限制手术感知。现有基于学习的去烟方法依赖稀缺的配对监督和确定性恢复流程，在真实手术条件下难以进行探索或强化驱动的优化。我们提出PhySe-RPO，一种通过物理与语义引导的相对策略优化来优化扩散恢复框架。核心思想是将确定性恢复转化为随机策略，实现轨迹级探索和无评论家更新的组内相对优化。物理引导奖励施加照明和颜色一致性，而基于CLIP的手术概念学习的视觉概念语义奖励促进无烟和解剖一致的恢复。结合无参考感知约束，PhySe-RPO在合成和真实机器人手术数据集上产生物理一致、语义忠实且临床可解释的结果，为在有限配对监督下的稳健扩散恢复提供原则性方法。
引用
@article{arxiv.2603.22844,
title = {PhySe-RPO: Physics and Semantics Guided Relative Policy Optimization for Diffusion-Based Surgical Smoke Removal},
author = {Zining Fang and Cheng Xue and Chunhui Liu and Bin Xu and Ming Chen and Xiaowei Hu},
journal= {arXiv preprint arXiv:2603.22844},
year = {2026}
}
备注
12 pages,7figures,published to CVPR