可信赖的内窥镜超分辨率

内窥镜超分辨率(SR)模型正受到日益关注，以应对硬件限制下的最小侵入性手术和诊断视频。然而，关于引入幻觉结构和放大噪声的有效担忧仍然存在，限制了其在安全关键环境中的可靠性。我们提出了一个直接且实用的框架，通过识别重构可能失败的地方来使SR系统更加可信赖。我们的方案集成了一个轻量级错误预测网络，作用于中间表示，以估计像素级重构误差。该模块计算效率高且低延迟，适合实时部署。我们将这些预测转换为操作性失败决策，通过构建保守失效掩码(CFM)，局部化SR输出不可信赖的区域。基于保守风险控制原则，我们的方法为控制容忍误差限制和检测失效的误报率提供了理论保证。我们在图像和视频SR上进行评估，证明了其在内窥镜和机器人手术环境中检测不可靠重构的有效性。就目前而言，这是首个为提高实时内窥镜图像SR安全性提供的模型无关、理论依据方法。