DermDepth: Toward Monocular Metric Scale 3D Reconstruction Models for Dermatology
作者: Héctor Carrión, Narges Norouzi
分类: cs.CV
发布日期: 2026-07-14
备注: Accepted at MICCAI 2026
🔗 代码/项目: GITHUB
💡 一句话要点
提出DermDepth以解决皮肤科单目三维重建问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 三维重建 皮肤科 单目视觉 深度学习 医学影像 数据集 模型训练
📋 核心要点
- 现有的二维方法无法充分利用三维信息，导致皮肤病变的测量和分析不够准确。
- DermDepth通过单目图像实现密集的三维重建，提供度量尺度和表面法线纹理估计，简化了数据采集过程。
- 实验结果显示，DermDepth在真实数据上的度量误差显著降低，同时在多种皮肤类型和病变情况下保持了良好的性能。
📝 摘要（中文）
皮肤科实践中，测量和跟踪病变的大小、形态和纹理是关键的任务。尽管现有研究主要集中在二维方法上，但这些任务自然受益于三维信息。本文展示了在不需要额外硬件或多次拍摄的情况下，实现密集的单目三维重建、度量尺度测量和丰富的表面法线纹理估计。我们提出了DermDepth，这是皮肤科领域首个单视角度量尺度三维模型，并且D-Synth是首个具有像素级三维信息的合成皮肤镜数据集。实验表明，使用D-Synth训练DermDepth可以将真实皮肤镜数据的度量尺度误差从超过16倍降低到1.1倍以下，同时保持几何质量并增加纹理丰富性。
🔬 方法详解
问题定义：本文旨在解决皮肤科领域中对病变进行准确测量和分析的需求。现有的二维方法无法提供足够的三维信息，导致测量误差较大，影响临床决策。
核心思路：DermDepth的核心思路是利用单目图像进行密集的三维重建，结合合成数据集D-Synth，提供准确的度量尺度和丰富的表面纹理信息，避免了对额外硬件的依赖。
技术框架：整体架构包括数据预处理、深度学习模型训练和后处理阶段。数据预处理阶段使用D-Synth合成数据，训练阶段通过深度学习网络进行三维重建，后处理阶段则优化输出结果以提高测量精度。
关键创新：DermDepth是首个针对皮肤科的单视角度量尺度三维模型，能够在单次拍摄中实现高质量的三维重建，显著提升了传统方法的性能。
关键设计：在模型设计中，采用了特定的损失函数来优化三维重建的精度，并通过细致的网络结构设计来提高对复杂纹理的捕捉能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，DermDepth在真实皮肤镜数据上的度量尺度误差从超过16倍降低到1.1倍以下，显示出显著的性能提升。同时，模型在不同皮肤类型和病变情况下保持了良好的几何质量和纹理丰富性。
🎯 应用场景
该研究的潜在应用领域包括皮肤病变的监测、诊断和治疗效果评估。DermDepth能够为皮肤科医生提供更准确的病变测量工具，从而提高临床决策的质量。未来，该技术可能扩展到其他医学影像领域，推动三维重建技术的广泛应用。
📄 摘要（原文）
Dermatological practice routinely involves measuring and tracking lesion size, morphology and texture, as critical components of wound or skin cancer screening, monitoring and diagnosis. To accomplish this task, practitioners often image the skin surface with commonly available off-the-shelf camera sensors. This has led to an overwhelming research focus on 2D methods while these objectives naturally benefit from 3D information. In this paper, we demonstrate that dense monocular 3D reconstructions, metric scale measurements and rich surface normal texture estimates are achievable for both dermoscopic and macroscopic cases without the need for additional hardware or multiple captures. We present DermDepth, the first single-view metric scale 3D model for the dermatological domain and D-Synth, the first synthetic dermoscopic dataset with pixel-perfect 3D information. Our experiments show training DermDepth on D-Synth corrects metric scale error from over 16x to under 1.1x for real dermoscopic data, while preserving geometric quality and increasing texture richness. Fine-tuning on a small amount of real clinical samples generalizes our method across three real-world benchmarks spanning the few mm to hundred cm range, diverse skin-tones, chronic wound cases and produces measurements broadly consistent with disease size reported in medical literature. All code, data and models are available at https://github.com/hectorcarrion/dermdepth.