本研究提出了StereoMamba架构，旨在提高机器人辅助微创手术中立体差异估计的准确性、鲁棒性与推理速度。通过改进特征提取和多维特征融合模块，增强了长距离空间依赖，实验结果表明其性能优于现有方法，具有重要的临床应用潜力。

本研究提出了一种仅使用RGB图像生成目标解剖结构的3D映射流程，以满足手术自动化对精确引导的需求。研究结果表明，该流程在某些指标上超越了传统RGB-D摄像头，展示了单目相机在微创手术中的应用潜力。

本研究提出了一种振动辅助的滞后补偿方法，旨在解决微创手术中腱鞘机制的滞后问题。通过施加受控振动，滞后显著降低，实验结果显示RMSE降低23.41%。结合时间卷积网络模型，MAE减少85.2%，为机器人应用提供了有效解决方案。

本研究提出了一种多任务学习网络（MT3DNet），用于在图像辅助微创手术中实现手术场景的准确检测、分割和深度估计。该网络通过对抗权重更新机制，显著提升了三维重建能力和处理效率。

近十年来，计算机视觉在微创手术中的应用迅速增加。本研究调查了自我监督学习（SSL）中数据集多样性在手术计算机视觉中的作用，并比较了特定手术数据集与更多样化的一般手术数据集在三个不同的下游手术应用中的性能表现。研究结果表明，使用更多样化的手术数据进一步提高了性能，增加 SSL 数据的多样性有助于模型性能。