論文の概要: Surgical Video Generation From Diffusion to World Models: A Survey
- arxiv url: http://arxiv.org/abs/2608.26214v1
- Date: Wed, 26 Aug 2026 08:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.123474
- Title: Surgical Video Generation From Diffusion to World Models: A Survey
- Title（参考訳）: 拡散から世界モデルへの手術映像生成:サーベイ
- Abstract要約: この調査では,2024-2026の文献を,無条件生成,条件生成,世界モデリング生成の3つのカテゴリに分類した。
ピクセルレベルの忠実度と臨床的妥当性の持続的ギャップについて検討し、一般化、物理的リアリズム、制御可能性、解釈可能性をボトルネックとして同定する。
このサーベイは、現在の状況とオープンな課題に関する構造化された概要を提供し、インテリジェントな知覚、マルチモーダル融合、生成AI、および外科的データサイエンスの交差点で働く研究者への参照を提供する。
- 参考スコア（独自算出の注目度）: 21.02261559352406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surgical video data provides the primary training resource for models of intraoperative perception, surgical workflow understanding, and robotic decision-making. However, clinical data acquisition remains constrained by privacy, cost, and class imbalance. Surgical video generation has emerged as a transformative approach to addressing data scarcity and as a foundation for surgical simulation, training, and robotic policy learning. The field has developed rapidly without a clear conceptual framework. This survey organizes the 2024-2026 literature into three categories: unconditional generation, conditional generation, and world modeling generation, revealing a fundamental shift in how the task is defined from synthesizing visually plausible frames to modeling the causal dynamics of surgical scenes. We examine the persistent gap between pixel-level fidelity and clinical plausibility, and identify generalization, physical realism, controllability, and interpretability as bottlenecks. We further summarize experimental results of representative methods on public datasets to provide a quantitative reference for the field. This survey provides a structured overview of the current state and open challenges, offering a reference for researchers working at the intersection of intelligent perception, multi-modal fusion, generative AI, and surgical data science.
- Abstract（参考訳）: 外科的ビデオデータは、術中知覚、外科的ワークフロー理解、ロボットによる意思決定のモデルのためのトレーニングリソースを提供する。
しかし、臨床データ取得は、プライバシ、コスト、クラス不均衡によって制限されている。
外科的ビデオ生成は、データの不足に対処するための変革的アプローチとして現れ、外科的シミュレーション、トレーニング、ロボットポリシー学習の基盤となっている。
この分野は明確な概念的枠組みなしで急速に発展してきた。
本調査は,非条件生成,条件生成,世界モデリング生成の3つのカテゴリに分類し,視覚的に可視なフレームの合成から手術シーンの因果ダイナミクスのモデル化への根本的な変化を明らかにする。
ピクセルレベルの忠実度と臨床的妥当性の持続的ギャップについて検討し、一般化、物理的リアリズム、制御可能性、解釈可能性をボトルネックとして同定する。
さらに、フィールドの定量的参照を提供するために、公開データセット上の代表手法の実験結果を要約する。
このサーベイは、現在の状況とオープンな課題に関する構造化された概要を提供し、インテリジェントな知覚、マルチモーダル融合、生成AI、および外科的データサイエンスの交差点で働く研究者への参照を提供する。
関連論文リスト
- Towards World Models in Biomedical Research [77.59710966764466]
我々は,AIによる発見のパラダイムとして,バイオメディカルワールドモデルを提案する。
これらのモデルは、介入条件付き力学とともに、分子、細胞、組織、臨床状態の潜伏表現を学習する。
バイオメディカルワールドモデルは, 仮想細胞, オルガノイド, 仮想患者, 手術シミュレーションなど, データエンジン, 環境シミュレータ, 科学計画基板としてどのように機能するかを論じる。
論文 参考訳（メタデータ） (2026-06-04T09:28:54Z) - A Systematic Review on Data-Driven Brain Deformation Modeling for Image-Guided Neurosurgery [29.978282112659993]
脳の変形の正確な補償は、画像誘導神経外科において重要な課題である。
最近のAI駆動型アプローチは、2020年1月から2025年4月にかけて、脳の変形をモデル化し、修正するために開発された。
論文 参考訳（メタデータ） (2026-02-09T22:11:56Z) - How Far Are Surgeons from Surgical World Models? A Pilot Study on Zero-shot Surgical Video Generation with Expert Assessment [69.13598421861654]
本稿では,手術におけるビデオ生成モデル評価のための専門家による最初のベンチマークであるSurgVeoを紹介する。
腹腔鏡下手術と神経外科手術の手術クリップにゼロショット予測タスクを施した高度なVeo-3モデルを課題とする。
以上の結果から,Veo-3は異常な視覚的視認性を示すが,手術的視認性ピラミッドの高位では致命的に失敗することが明らかとなった。
論文 参考訳（メタデータ） (2025-11-03T17:28:54Z) - Decoding the Surgical Scene: A Scoping Review of Scene Graphs in Surgery [36.192962258966105]
シーングラフ(SG)は、複雑なダイナミックな手術環境のデコードに不可欠な構造化された表現を提供する。
The PRISMA-ScR-guided scoping review systemally map the evolution landscape of SG research in surgery。
我々の分析は急速に成長しているが、重要な「データ分割」を明らかにしている
SGは重要なセマンティックブリッジに成熟し、新しい世代のインテリジェントシステムによって外科の安全性、効率、訓練を改善することができる。
論文 参考訳（メタデータ） (2025-09-25T09:25:46Z) - Data-Efficient Learning for Generalizable Surgical Video Understanding [0.0]
本研究は, 深層学習に基づく外科的ビデオ解析と実世界の臨床環境とのギャップを埋めることを目的としている。
私は最先端のニューラルネットワークアーキテクチャをベンチマークして、各タスクの最も効果的な設計を特定しました。
我々は,大量の未ラベルの手術ビデオを活用することにより,タスク間のモデル性能を向上させる半駆動型フレームワークを開発した。
論文 参考訳（メタデータ） (2025-08-13T22:00:23Z) - Content Generation Models in Computational Pathology: A Comprehensive Survey on Methods, Applications, and Challenges [55.41538606569424]
レビューでは、画像生成、テキスト生成、分子プロファイル形態学生成などの4つの重要な領域に焦点を当てている。
我々は、コンテンツ生成アーキテクチャーの進化を、初期の生成的敵ネットワークから、拡散モデルや生成的視覚言語モデルにおける最近の進歩まで遡る。
レビューはオープン課題と今後の研究方向性について議論し、統合的かつ臨床的に展開可能な世代システムの開発に重点を置いて締めくくっている。
論文 参考訳（メタデータ） (2025-05-16T08:44:50Z) - Monocular pose estimation of articulated surgical instruments in open surgery [0.873811641236639]
本研究は,開腹手術における手術器具の単眼6Dポーズ推定への新たなアプローチとして,物体調音,対称性,注釈付き実世界のデータの欠如といった課題に対処する。
提案手法は,(1)手術器具の3次元モデリングと調音リギングを用いた合成データ生成,(2)ポーズ推定とハイブリッドな幾何学的融合戦略を組み合わせたポーズ推定フレームワーク,(3)自動生成擬似ラベルを用いた実ビデオデータへのドメイン適応を用いた,合成データと実際の注釈データの両方を利用したトレーニング戦略,の3つの構成要素から構成される。
論文 参考訳（メタデータ） (2024-07-16T19:47:35Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Multimodal Semantic Scene Graphs for Holistic Modeling of Surgical
Procedures [70.69948035469467]
カメラビューから3Dグラフを生成するための最新のコンピュータビジョン手法を利用する。
次に,手術手順の象徴的,意味的表現を統一することを目的としたマルチモーダルセマンティックグラフシーン(MSSG)を紹介する。
論文 参考訳（メタデータ） (2021-06-09T14:35:44Z) - Surgical Visual Domain Adaptation: Results from the MICCAI 2020
SurgVisDom Challenge [9.986124942784969]
この研究は、データプライバシの懸念を克服するために、手術における視覚領域適応の可能性を探究する。
特に,外科手術のバーチャルリアリティ(VR)シミュレーションのビデオを用いて,臨床ライクな環境下でのタスク認識アルゴリズムの開発を提案する。
課題参加者によって開発された視覚的ドメイン適応を解決するためのさまざまなアプローチのパフォーマンスを紹介します。
論文 参考訳（メタデータ） (2021-02-26T18:45:28Z) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳（メタデータ） (2020-11-03T11:00:10Z)
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。