单目内窥镜中用于稠密深度估计的自监督学习
计算机视觉与模式识别
2019-04-02 v2
摘要
我们提出一种自监督方法，用于在无需解剖结构或光照先验建模的情况下，训练卷积神经网络从单目内窥镜数据进行稠密深度估计。我们的方法仅需要来自单目内窥镜视频的序列数据以及一种多视图立体重建方法（例如运动恢复结构）以稀疏但准确的方式监督学习。因此，我们的方法在训练和应用阶段既不需要人工交互（如缩放或标注），也不需要患者 CT。我们在两名患者的鼻窦内窥镜数据上展示了方法的性能，并使用相应的患者 CT 扫描对深度预测进行定量验证，发现亚毫米级残差误差。
引用
@article{arxiv.1806.09521,
title = {Self-supervised Learning for Dense Depth Estimation in Monocular Endoscopy},
author = {Xingtong Liu and Ayushi Sinha and Mathias Unberath and Masaru Ishii and Gregory Hager and Russell H. Taylor and Austin Reiter},
journal= {arXiv preprint arXiv:1806.09521},
year = {2019}
}
备注
11 pages, 5 figures