Kun Yuan

手术图像分析长期依赖自然图像预训练编码器，或在小规模标注数据上从零训练专用模型。InnerLogic-Surg 以 DINOv3 为起点，在来自11965段公开手术视频、约2900小时、覆盖15种以上术式的数百万帧上做持续自监督预训练，得到21M至300M参数的编码器家族。在冻结骨干、仅训练线性读出层的统一协议下，该家族在覆盖流程识别、器械与解剖识别、分割、检测和单目深度的20项任务上均取得最佳线性探针表现，其中 ViT-L 在18项领先，ViT-B 在 GraSP 步骤识别与单目深度上最佳。

手术图像分析长期依赖自然图像预训练编码器，或在小规模标注数据上从零训练专用模型。InnerLogic-Surg 以 DINOv3 为起点，在来自11965段公开手术视频、约2900小时、覆盖15种以上术式的数百万帧上做持续自监督预训练，得到21M至300M参数的编码器家族。在冻结骨干、仅训练线性读出层的统一协议下，该家族在覆盖流程识别、器械与解剖识别、分割、检测和单目深度的20项任务上均取得最佳线性探针表现，其中 ViT-L 在18项领先，ViT-B 在 GraSP 步骤识别与单目深度上最佳。