IEEE transactions on medical imaging 2026年9月17日该工作提出 SurgDepth，一种无需任何标注手术数据的测试时自适应框架，通过立体光度一致性与翻转等变性两种自监督信号、选择性解码器自适应以及进度感知锚点正则化和低照度序列结构信任保护两项免调参可靠性机制，将自然图像预训练的深度基础模型适配到内窥镜手术场景；作者报告在立体图像对上 AbsRel 最多降低 63%、无立体时降低 42%，在五个跨域评测设置中改善四个，跨七种基础模型泛化，并在完整标准 Hamlyn 基准上取得所报告方法中最低的 AbsRel（0.128），所有结果均为中值缩放后的相对深度，20 步收敛（0.4 秒）。该工作提出 SurgDepth，一种无需任何标注手术数据的测试时自适应框架，通过立体光度一致性与翻转等变性两种自监督信号、选择性解码器自适应以及进度感知锚点正则化和低照度序列结构信任保护两项免调参可靠性机制，将自然图像预训练的深度基础模型适配到内窥镜手术场景；作者报告在立体图像对上 AbsRel 最多降低 63%、无立体时降低 42%，在五个跨域评测设置中改善四个，跨七种基础模型泛化，并在完整标准 Hamlyn 基准上取得所报告方法中最低的 AbsRel（0.128），所有结果均为中值缩放后的相对深度，20 步收敛（0.4 秒）。SurgDepth：面向手术场景理解的深度基础模型测试时自适应该工作提出 SurgDepth，一种无需任何标注手术数据的测试时自适应框架，通过立体光度一致性与翻转等变性两种自监督信号、选择性解码器自适应以及进度感知锚点正则化和低照度序列结构信任保护两项免调参可靠性机制，将自然图像预训练的深度基础模型适配到内窥镜手术场景；作者报告在立体图像对上 AbsRel 最多降低 63%、无立体时降低 42%，在五个跨域评测设置中改善四个，跨七种基础模型泛化，并在完整标准 Hamlyn 基准上取得所报告方法中最低的 AbsRel（0.128），所有结果均为中值缩放后的相对深度，20 步收敛（0.4 秒）。该工作提出 SurgDepth，一种无需任何标注手术数据的测试时自适应框架，通过立体光度一致性与翻转等变性两种自监督信号、选择性解码器自适应以及进度感知锚点正则化和低照度序列结构信任保护两项免调参可靠性机制，将自然图像预训练的深度基础模型适配到内窥镜手术场景；作者报告在立体图像对上 AbsRel 最多降低 63%、无立体时降低 42%，在五个跨域评测设置中改善四个，跨七种基础模型泛化，并在完整标准 Hamlyn 基准上取得所报告方法中最低的 AbsRel（0.128），所有结果均为中值缩放后的相对深度，20 步收敛（0.4 秒）。