来源：公众号“labren”
原文链接：https://mp.weixin.qq.com/s/97_CzzOnRfXvVUV_q30wKQ?scene=1&click_id=26
香港中文大学任洪亮教授团队论文《EndoDDC：通过扩散深度补全学习稀疏到密集重建用于内窥镜机器人导航》被机器人领域顶会 IEEE International Conference on Robotics and Automation (ICRA 2026) 录用。
论文题目：EndoDDC: Learning Sparse to Dense Reconstruction for Endoscopic Robotic Navigation via Diffusion Depth Completion
论文作者：林胤恒†（香港中文大学），黄一鸣†（香港中文大学），崔贝雷（香港中文大学）， 白龙（阿里巴巴达摩院，香港中文大学）， 高沪昕（香港中文大学），任洪亮（香港中文大学）, 赖捷文*（香港中文大学）
论文简介：
在微创外科手术中，内镜机器人的精准导航是提升手术精度、保障患者安全的核心。而精准导航的关键，在于获取可靠的三维深度信息 —— 但内镜环境下的弱纹理组织、镜面反射等问题，一直让深度估计成为技术难题。现有方法要么依赖难以获取的稠密标注数据，要么在复杂内镜场景中鲁棒性不足，稀疏深度重建的有效性大打折扣。
我们提出的EndoDDC方法，为内镜机器人导航的深度估计难题提供了创新解决方案。该方法通过融合图像、稀疏深度信息与深度梯度特征，借助扩散模型优化深度图，成功攻克弱纹理、光反射带来的技术痛点。
主要贡献：
EndoDDC针对内镜场景量身设计稀疏到稠密重建框架，有效解决传统微调方法对标注数据的依赖，以及自监督学习的尺度模糊问题，仅通过 RGB 图像和稀疏深度图即可输出精准稠密深度图。
创新引入深度梯度融合模块，通过卷积门控循环单元（ConvGRU）迭代处理深度值与梯度信息，为重建过程提供精准几何引导，大幅提升弱纹理区域的重建精度。
提出基于深度梯度的条件扩散模型，以初始粗深度图为起点，利用深度梯度特征约束去噪过程，迭代优化深度值，确保重建结果的全局一致性与物理合理性。
在 C3VD 和 StereoMIS 两大公开内镜数据集上完成全面验证，所有评估指标（RMSE、MAE、REL、δ 准确率）均超越当前 SOTA 方法。相较于最优深度补全模型 OGNI-DC，C3VD 数据集上 RMSE 降低 5.28%、MAE 降低 7.84%；即使面对 50~50000 不同稀疏度的输入，仍能稳定输出高质量稠密深度图。
EndoDDC方法概览和可视化样例
EndoDDC 概述：在从 RGB 图像和稀疏深度图提取特征后，Depth Grad Fusion 模块会基于深度和梯度特征迭代地更新状态隐藏网络。然后，将该输出输入到 Depth Diffusion 模型进行条件引导下的补全。
在 C3VD 和 STEREOMIS 数据集上与SOTA方法的深度补全结果比较。
在 C3VD 和 StereoMIS 数据集上的比较。我们将 EndoDDC 与最先进的深度估计和深度补全方法进行比较；我们的方法在组织细节方面产生的误差更少。
【香港中文大学任洪亮教授课题组】
香港中文大学（CUHK）医学机器人感知与人工智能研究课题组欢迎博士/博士后/研究助理加入，主要领域包括：医学机器人与智能系统、图像引导手术中的AI学习与控制、医疗机电一体化、连续和柔性机器人与传感器、变刚度调控技术、AI辅助内窥诊断、医学图像处理等。更多详情，请参阅任洪亮教授Google Scholar信息页与实验室网站http://labren.org/
参考文献：
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.
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。