論文の概要: Synthetic Dataset Generation and Validation for Robotic Surgery Instrument Segmentation
- arxiv url: http://arxiv.org/abs/2602.13844v1
- Date: Sat, 14 Feb 2026 18:29:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 14:17:28.454557
- Title: Synthetic Dataset Generation and Validation for Robotic Surgery Instrument Segmentation
- Title（参考訳）: ロボット手術機器セグメンテーションのための合成データセット生成と検証
- Authors: Giorgio Chiesa, Rossella Borra, Vittorio Lauro, Sabrina De Cillis, Daniele Amparore, Cristian Fiori, Riccardo Renzulli, Marco Grangetto,
- Abstract要約: ダ・ヴィンチのロボットアームを3Dで再現し、オートデスク・マヤでアニメーション化した。
生成したデータの現実性と有効性を検証するため、実データと合成データの制御された比率でいくつかのセグメンテーションモデルを訓練した。
- 参考スコア（独自算出の注目度）: 4.731220357458455
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a comprehensive workflow for generating and validating a synthetic dataset designed for robotic surgery instrument segmentation. A 3D reconstruction of the Da Vinci robotic arms was refined and animated in Autodesk Maya through a fully automated Python-based pipeline capable of producing photorealistic, labeled video sequences. Each scene integrates randomized motion patterns, lighting variations, and synthetic blood textures to mimic intraoperative variability while preserving pixel-accurate ground truth masks. To validate the realism and effectiveness of the generated data, several segmentation models were trained under controlled ratios of real and synthetic data. Results demonstrate that a balanced composition of real and synthetic samples significantly improves model generalization compared to training on real data only, while excessive reliance on synthetic data introduces a measurable domain shift. The proposed framework provides a reproducible and scalable tool for surgical computer vision, supporting future research in data augmentation, domain adaptation, and simulation-based pretraining for robotic-assisted surgery. Data and code are available at https://github.com/EIDOSLAB/Sintetic-dataset-DaVinci.
- Abstract（参考訳）: 本稿では,ロボット手術機器セグメンテーション用に設計された合成データセットの生成と検証のための包括的なワークフローを提案する。
ダ・ヴィンチのロボットアームの3D再構築は、オートデスク・マヤで、写真リアリスティックなラベル付きビデオシーケンスを生成することができる完全に自動化されたPythonベースのパイプラインによって、洗練されアニメーション化された。
各シーンはランダムな動きパターン、照明のバリエーション、および人工的な血のテクスチャを統合して、ピクセル精度の高い地上の真実マスクを保存しながら、術中の変動性を模倣する。
生成したデータの現実性と有効性を検証するため、実データと合成データの制御された比率でいくつかのセグメンテーションモデルを訓練した。
その結果、実データと合成データのバランスの取れた構成は、実データのみのトレーニングに比べてモデル一般化を著しく改善する一方、合成データへの過度な依存は、測定可能なドメインシフトをもたらすことを示した。
提案するフレームワークは,手術用コンピュータビジョンのための再現可能でスケーラブルなツールを提供し,データ拡張,ドメイン適応,ロボット支援手術のためのシミュレーションベースの事前トレーニングの今後の研究を支援する。
データとコードはhttps://github.com/EIDOSLAB/Sintetic-dataset-DaVinci.comで入手できる。
関連論文リスト
- Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。
実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。
次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
論文 参考訳（メタデータ） (2026-01-24T07:43:57Z) - Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。
提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
論文 参考訳（メタデータ） (2025-09-08T17:58:06Z) - NeeCo: Image Synthesis of Novel Instrument States Based on Dynamic and Deformable 3D Gaussian Reconstruction [3.406703096007349]
外科画像データセットにおけるデータ不足に対処する新しい動的ガウススプラッティング手法を提案する。
本研究では,現実シナリオからのカメラポーズの調整が不十分な場合に生じる課題に対処するために,動的トレーニング調整戦略を利用する。
提案手法により生成した合成画像に基づいてトレーニングしたモデルの性能は、最先端の標準データ拡張でトレーニングしたモデルよりも10%優れていた。
論文 参考訳（メタデータ） (2025-08-11T12:13:05Z) - RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。
3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。
我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
論文 参考訳（メタデータ） (2025-06-28T05:03:31Z) - Synthetic Dataset Generation for Autonomous Mobile Robots Using 3D Gaussian Splatting for Vision Training [0.708987965338602]
本論文では,Unreal Engineにおける注釈付き合成データの自動生成手法を提案する。
合成データセットが実世界のデータセットに匹敵する性能を達成できることを実証する。
これは、ロボットサッカーにおけるオブジェクト検出アルゴリズムのトレーニングのための合成データの最初の応用である。
論文 参考訳（メタデータ） (2025-06-05T14:37:40Z) - Drive-1-to-3: Enriching Diffusion Priors for Novel View Synthesis of Real Vehicles [81.29018359825872]
本稿では,実世界の課題に対して,大規模な事前学習モデルを微調整するための一連の優れたプラクティスを統合する。
具体的には,合成データと実運転データとの相違を考慮に入れたいくつかの戦略を開発する。
我々の洞察は、先行芸術よりも新しいビュー合成のためのFIDを68.8%値下げする効果のある微調整につながる。
論文 参考訳（メタデータ） (2024-12-19T03:39:13Z) - SimuScope: Realistic Endoscopic Synthetic Dataset Generation through Surgical Simulation and Diffusion Models [1.28795255913358]
そこで本研究では,最新のCASシステムに必要なアノテーションをすべて自動生成する,本格的な手術シミュレータを提案する。
手術器具と変形可能な解剖学的環境の間の力学を含む、より複雑で現実的な外科的相互作用のシミュレーションを提供する。
安定拡散と低ランク適応に基づく軽量でフレキシブルな画像から画像への変換法を提案する。
論文 参考訳（メタデータ） (2024-12-03T09:49:43Z) - SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。
合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。
その結果, 提案手法の有効性と合成データの有効性が検証された。
論文 参考訳（メタデータ） (2024-10-13T14:58:21Z) - Realistic Surgical Image Dataset Generation Based On 3D Gaussian Splatting [3.5351922399745166]
本研究は, 合成外科用データセットを生成するために3次元ガウススプラッティングを用いた新しい手法を提案する。
手術現場でツールやカメラのポーズとともに画像を取得することのできるデータ記録システムを開発した。
このポーズデータを用いて、シーンを合成的に再現し、合成画像の品質を直接比較できるようにする。
論文 参考訳（メタデータ） (2024-07-20T11:20:07Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Fake It Till You Make It: Face analysis in the wild using synthetic data
alone [9.081019005437309]
合成データだけで顔関連コンピュータビジョンを野生で実行可能であることを示す。
本稿では、手続き的に生成された3次元顔モデルと手作り資産の包括的ライブラリを組み合わせることで、前例のないリアリズムによるトレーニング画像のレンダリングを行う方法について述べる。
論文 参考訳（メタデータ） (2021-09-30T13:07:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。