本文介绍了多种基于视觉的手术器械分割和追踪方法，强调深度学习在器械分割中的优势及其临床应用潜力。同时，提出了一种创新的单目视觉SLAM方法，解决了内窥镜手术中的深度感知问题，显著提升了手术的准确性和效率。

本文介绍了基于高斯散射的动态手术场景重建方法，如SurgicalGaussian和Endo-4DGS，旨在提高内窥镜手术的实时渲染质量和效率。这些方法利用可变形3D高斯模型和深度引导技术，克服了现有技术的局限性，显著提升了手术辅助的准确性和可靠性。

本研究提出了一种基于深度学习的实时视觉导航支气管镜框架，利用支气管镜视频数据提高气道定位准确性，解决内窥镜手术中的定位问题，具有重要的应用价值。

本文提出了一种新的运动感知增强框架，改进动态场景重建，提升3D高斯喷溅性能。通过灵活变形建模方案，开发了Deform3DGS框架，实现内窥镜手术中可变形组织的实时重建。此外，提出FSGS方法以高效合成视角，提升渲染质量与效率。GS-SLAM算法首次应用3D高斯表示，优化SLAM系统的效率与准确性，并探讨了3D高斯喷洒中的误差源，提出增强鲁棒性的解决方案。

本文探讨了在内窥镜手术中进行单目深度估计的方法，提出了自我监督学习、几何一致性损失和多尺度卷积网络等创新技术，以提高深度估计的准确性和鲁棒性，旨在提升腹腔镜手术的效率和安全性，并通过实验验证了其优越性。