<mark id="oztn4"></mark>
0
| 本文作者： 吳思夢 | 2026-05-27 18:51 | 專題：ICRA 國際機器人與自動化會議 |
來源：公眾號“labren”
原文鏈接：https://mp.weixin.qq.com/s/97_CzzOnRfXvVUV_q30wKQ?scene=1&click_id=26
香港中文大學任洪亮教授團隊論文《EndoDDC：通過擴散深度補全學習稀疏到密集重建用于內窺鏡機器人導航》被機器人領域頂會 IEEE International Conference on Robotics and Automation (ICRA 2026) 錄用。
論文題目：EndoDDC: Learning Sparse to Dense Reconstruction for Endoscopic Robotic Navigation via Diffusion Depth Completion
論文作者：林胤恒?（香港中文大學），黃一鳴?（香港中文大學），崔貝雷（香港中文大學）， 白龍（阿里巴巴達摩院，香港中文大學）， 高滬昕（香港中文大學），任洪亮（香港中文大學）, 賴捷文*（香港中文大學）
論文簡介：
在微創外科手術中，內鏡機器人的精準導航是提升手術精度、保障患者安全的核心。而精準導航的關鍵，在于獲取可靠的三維深度信息 —— 但內鏡環境下的弱紋理組織、鏡面反射等問題，一直讓深度估計成為技術難題。現有方法要么依賴難以獲取的稠密標注數據，要么在復雜內鏡場景中魯棒性不足，稀疏深度重建的有效性大打折扣。
我們提出的EndoDDC方法，為內鏡機器人導航的深度估計難題提供了創新解決方案。該方法通過融合圖像、稀疏深度信息與深度梯度特征，借助擴散模型優化深度圖，成功攻克弱紋理、光反射帶來的技術痛點。
主要貢獻：
EndoDDC針對內鏡場景量身設計稀疏到稠密重建框架，有效解決傳統微調方法對標注數據的依賴，以及自監督學習的尺度模糊問題，僅通過 RGB 圖像和稀疏深度圖即可輸出精準稠密深度圖。
創新引入深度梯度融合模塊，通過卷積門控循環單元（ConvGRU）迭代處理深度值與梯度信息，為重建過程提供精準幾何引導，大幅提升弱紋理區域的重建精度。
提出基于深度梯度的條件擴散模型，以初始粗深度圖為起點，利用深度梯度特征約束去噪過程，迭代優化深度值，確保重建結果的全局一致性與物理合理性。
在 C3VD 和 StereoMIS 兩大公開內鏡數據集上完成全面驗證，所有評估指標（RMSE、MAE、REL、δ 準確率）均超越當前 SOTA 方法。相較于最優深度補全模型 OGNI-DC，C3VD 數據集上 RMSE 降低 5.28%、MAE 降低 7.84%；即使面對 50~50000 不同稀疏度的輸入，仍能穩定輸出高質量稠密深度圖。
EndoDDC方法概覽和可視化樣例
EndoDDC 概述：在從 RGB 圖像和稀疏深度圖提取特征后，Depth Grad Fusion 模塊會基于深度和梯度特征迭代地更新狀態隱藏網絡。然后，將該輸出輸入到 Depth Diffusion 模型進行條件引導下的補全。
在 C3VD 和 STEREOMIS 數據集上與SOTA方法的深度補全結果比較。
在 C3VD 和 StereoMIS 數據集上的比較。我們將 EndoDDC 與最先進的深度估計和深度補全方法進行比較；我們的方法在組織細節方面產生的誤差更少。
【香港中文大學任洪亮教授課題組】
香港中文大學（CUHK）醫學機器人感知與人工智能研究課題組歡迎博士/博士后/研究助理加入，主要領域包括：醫學機器人與智能系統、圖像引導手術中的AI學習與控制、醫療機電一體化、連續和柔性機器人與傳感器、變剛度調控技術、AI輔助內窺診斷、醫學圖像處理等。更多詳情，請參閱任洪亮教授Google Scholar信息頁與實驗室網站http://labren.org/
參考文獻：
Lin, Y., Huang, Y., Cui, B., Bai, L., Gao, H., Ren, H. & Lai, J. (2026). EndoDDC: Learning Sparse to Dense Reconstruction for Endoscopic Robotic Navigation via Diffusion Depth Completion. ICRA 2026.
專題
