DenseTRF: 基于纹理感知的无监督表示自适应用于手术场景密集预测

在计算机辅助手术领域，密集预测任务（如手术器械分割和手术区域预测）对于腹腔镜和机器人手术具有重要的指导意义。然而，由于训练数据集往往无法覆盖实际部署中遇到的各种变化，这些模型常常面临分布偏移的问题，导致泛化能力不足。为了解决这一挑战，来自研究团队的最新成果提出了一种名为DenseTRF的自监督表示自适应框架。该框架基于纹理中心注意力，通过槽注意力机制学习纹理感知的表示，从而捕捉视觉结构中不变的特征。DenseTRF能够在无需监督的情况下将这些表示自适应到目标分布，显著提升模型对域偏移的鲁棒性。其实现方式包括将密集预测条件化于槽注意力以及模型合并策略。实验结果表明，在多种手术流程中，DenseTRF在跨分布泛化方面优于当前最先进的分割模型和针对密集预测任务的测试分布自适应方法。该工作已被2026年国际医学图像计算与计算机辅助干预会议（MICCAI 2026）接收。DenseTRF的核心创新在于利用了槽注意力机制来学习纹理感知的表示，这种表示能够捕获视觉结构中不变的特征，从而在不同的手术场景中保持稳定。与传统的监督学习方法不同，DenseTRF不需要标注的目标域数据，而是通过自监督的方式将源域学到的表示迁移到目标域。这大大降低了实际部署中数据标注的成本，并且提高了模型的适应能力。在实验中，研究者们使用了多个手术流程的数据集，包括腹腔镜胆囊切除术和机器人前列腺切除术等，验证了DenseTRF在跨分布泛化上的优越性能。此外，DenseTRF还采用了模型合并策略，进一步提升了框架的稳定性和效率。这项研究不仅为手术视觉领域提供了新的解决方案，也为其他领域中的密集预测任务提供了借鉴。未来，DenseTRF有望被整合到手术导航系统和机器人辅助手术平台中，为外科医生提供更准确的实时反馈。