論文の概要: EndoVGGT: GNN-Enhanced Depth Estimation for Surgical 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2603.24577v1
• Date: Wed, 25 Mar 2026 17:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.425208
• Title: EndoVGGT: GNN-Enhanced Depth Estimation for Surgical 3D Reconstruction
• Title（参考訳）: EndoVGGT : GNNによる3次元再建術の深度推定
• Authors: Falong Fan, Yi Xie, Arnis Lektauers, Bo Liu, Jerzy Rozenblit,
• Abstract要約: EndoVGGTは、変形対応グラフアテンションモジュールを備えた幾何学中心のフレームワークである。 本手法によりPSNRは24.6%増加し,SSIMは9.1%向上した。 これらの結果は、一貫した外科的3次元再構成における動的特徴空間モデリングの有効性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 4.035026965933258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D reconstruction of deformable soft tissues is essential for surgical robotic perception. However, low-texture surfaces, specular highlights, and instrument occlusions often fragment geometric continuity, posing a challenge for existing fixed-topology approaches. To address this, we propose EndoVGGT, a geometry-centric framework equipped with a Deformation-aware Graph Attention (DeGAT) module. Rather than using static spatial neighborhoods, DeGAT dynamically constructs feature-space semantic graphs to capture long-range correlations among coherent tissue regions. This enables robust propagation of structural cues across occlusions, enforcing global consistency and improving non-rigid deformation recovery. Extensive experiments on SCARED show that our method significantly improves fidelity, increasing PSNR by 24.6% and SSIM by 9.1% over prior state-of-the-art. Crucially, EndoVGGT exhibits strong zero-shot cross-dataset generalization to the unseen SCARED and EndoNeRF domains, confirming that DeGAT learns domain-agnostic geometric priors. These results highlight the efficacy of dynamic feature-space modeling for consistent surgical 3D reconstruction.
• Abstract（参考訳）: 変形性軟部組織の正確な3次元再構成は外科的ロボット知覚に不可欠である。 しかし、低テクスチャ面、特異なハイライト、楽器の閉塞はしばしば幾何学的連続性を断片化し、既存の固定位相アプローチに挑戦する。 そこで本研究では,変形認識グラフアテンション(DeGAT)モジュールを備えた幾何学中心のフレームワークであるEndoVGGTを提案する。 静的な空間近傍を使用する代わりに、DeGATは特徴空間意味グラフを動的に構築し、コヒーレント組織領域間の長距離相関を捉える。 これにより、オクルージョンにまたがる構造的キューの堅牢な伝播を可能にし、大域的一貫性を強制し、非剛性変形回復を改善することができる。 SCAREDの大規模実験により,PSNRは24.6%増加し,SSIMは9.1%向上した。 重要な点として、EndoVGGTは、目に見えないSCAREDとEndoNeRFドメインに対して強力なゼロショットのクロスデータセットの一般化を示し、DeGATがドメインに依存しない幾何学的先行性を学ぶことを確認している。 これらの結果は、一貫した外科的3次元再構成における動的特徴空間モデリングの有効性を浮き彫りにした。

関連論文リスト

• OAHuman: Occlusion-Aware 3D Human Reconstruction from Monocular Images [49.90475154034411]
  OAHumanは、単一のRGB画像から堅牢な3次元モデリングのための幾何学的再構成とテクスチャ合成を明示的に分離するフレームワークである。 テクスチャ干渉から切り離すため, 閉鎖領域においても幾何再構成が知覚的に強化されることを保証する。 並行して、テクスチャ合成は目に見える領域からのみ学習され、テクスチャエラーが隠された領域に転送されるのを防ぐ。
  論文  参考訳（メタデータ） (2026-03-15T06:57:26Z)
• 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
  3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。 その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。 既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。 本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
  論文  参考訳（メタデータ） (2026-03-08T11:16:30Z)
• Monocular Endoscopic Tissue 3D Reconstruction with Multi-Level Geometry Regularization [3.696132675621222]
  柔らかい内視鏡組織を再構築するための3次元ガウススプラッティングに基づく新しいアプローチを提案する。 提案手法は高速なレンダリングとスムーズな表面形状を実現する。
  論文  参考訳（メタデータ） (2026-02-24T09:29:36Z)
• Diff2DGS: Reliable Reconstruction of Occluded Surgical Scenes via 2D Gaussian Splatting [10.70948053935438]
  Diff2DGSは,閉鎖型手術シーンの信頼性3次元再構成のための新しい2段階フレームワークである。 第1段階では、時間的先行性を持つ拡散型ビデオモジュールは、空間的時間的整合性の高い楽器によって遮蔽された組織を塗布する。 第2段階では, 動的組織変形と解剖学的形状を捉えるために, 学習可能な変形モデル (LDM) を用いて2次元ガウススティング (2DGS) を適用した。 Diff2DGSは外観と幾何学の両方において最先端のアプローチより優れ、38.02dBのPSNRに達する
  論文  参考訳（メタデータ） (2026-02-20T16:14:21Z)
• TG-Field: Geometry-Aware Radiative Gaussian Fields for Tomographic Reconstruction [16.246538335191982]
  Tomography Geometry Field (TG-Field) は、CT再構成のための幾何学的なガウス変形フレームワークである。 TG-Fieldは既存の手法を常に上回り、高度にスパース・ビュー条件下で最先端の復元精度を達成する。
  論文  参考訳（メタデータ） (2026-02-12T08:33:01Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• EMGauss: Continuous Slice-to-3D Reconstruction via Dynamic Gaussian Modeling in Volume Electron Microscopy [41.838228673736076]
  本稿では,平面走査型2次元スライスからの3次元再構成のための一般的なフレームワークであるEMGaussについて紹介する。 我々の重要な革新は、ガウススプラッティングに基づく3次元動的シーンレンダリング問題としてスライス・ツー・3D再構成を再構成することである。 EMGausは拡散およびGANに基づく再構成法と比較して、品質を大幅に向上し、連続的なスライス合成を可能にし、大規模プレトレーニングの必要性を排除している。
  論文  参考訳（メタデータ） (2025-12-07T06:39:57Z)
• Seeing 3D Through 2D Lenses: 3D Few-Shot Class-Incremental Learning via Cross-Modal Geometric Rectification [59.17489431187807]
  本稿では,CLIPの階層的空間意味論を活用することで3次元幾何学的忠実度を高めるフレームワークを提案する。 本手法は3次元のクラスインクリメンタル学習を著しく改善し,テクスチャバイアスに対して優れた幾何コヒーレンスとロバスト性を実現する。
  論文  参考訳（メタデータ） (2025-09-18T13:45:08Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• Feature-EndoGaussian: Feature Distilled Gaussian Splatting in Surgical Deformable Scene Reconstruction [26.358467072736524]
  3DGSの拡張であるFeature-EndoGaussian (FEG)を導入し、2Dセグメンテーションキューを3Dレンダリングに統合し、リアルタイムなセマンティックとシーン再構築を実現する。 FEGは先行法に比べて優れた性能(SSIMは0.97、PSNRは39.08、LPIPSは0.03)を達成している。
  論文  参考訳（メタデータ） (2025-03-08T10:50:19Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。