摘要

在内窥镜检查中实现精确的深度估计，对于成功部署计算机视觉流水线及各类辅助诊断（CAD）工具至关重要。本文提出了一项名为EndoDepth的基准测试框架，旨在评估单目深度预测模型在内窥镜场景下的鲁棒性表现。与传统数据集不同，EndoDepth基准测试框架引入了内窥镜检查过程中常见的实际挑战。我们设计了一套统一且专为评估模型在内窥镜场景下鲁棒性而定制的评价方法。其中，提出了一种新型综合指标——平均深度估计鲁棒性评分（mean Depth Estimation Robustness Score, mDERS），能够深入评估模型在面对内窥镜图像退化（如模糊、光照不均、伪影等）所导致误差时的准确性表现。此外，我们还构建了SCARED-C数据集，该数据集专为评估内窥镜图像的鲁棒性而设计。通过大量实验，我们在EndoDepth基准上对当前最先进的深度预测架构进行了系统评估，揭示了其在应对内窥镜复杂成像伪影时的优势与局限。实验结果表明，针对内窥镜场景采用专门化技术对于实现高精度深度估计具有重要意义，并为未来的研究方向提供了有价值的参考。