arxiv：2407.01029v1 [CS.CV] 1 Jul 2024___XiaoMi-AI 助力科研平台

arxiv：2407.01029v1 [CS.CV] 1 Jul 2024

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2407.01029v1 [CS.CV] 1 Jul 2024

¥ 1.0

热度

摘要。3D从一系列内窥镜图像收集的生物组织重建是释放具有3D功能的各种重要下游Surgical应用的关键。现有方法采用各种高级神经渲染技术来进行逼真的视图综合，但是当仅可用观察结果时，它们通常很难恢复准确的3D表示，在现实世界中通常是这种情况。为了应对这一稀疏挑战，我们提出了一项框架，以在重建过程中利用多个基础模型的先验知识，称为endosparse。实验结果表明，我们提出的策略在挑战性的稀疏视图条件下显着改善了地理标准和外观质量，包括仅使用三种视图。在针对最先进方法的严格基准测试实验中，内索斯在准确的几何形状，现实的外观和提高效率方面取得了卓越的成果，证实了内窥镜重建中稀疏视图限制的稳健性。endosparse表示在现实世界中临床场景中实际部署神经3D重建的稳定一步。项目页面：https：//endo-sparse.github.io/。

添加pdf代下载 VIP点击下载文件