수술을 위한 계층 인식 비디오-언어 모델 평가 및 쌍곡선 기준선
A Hierarchy-Aware Video-Language Model Evaluation and Hyperbolic Baseline for Surgery
수술 절차는 페이즈-투-스텝(phase-to-step) 계층 구조를 따르지만, 이를 인식하는 데 사용되는 비디오-언어 모델(video-language model)들은 레벨 간 일관성과 오류 구조를 무시한 채 레벨별 단일 평면 메트릭(flat per-level metrics)으로 평가됩니다. 본 논문에서는 이러한 문제를 해결하기 위해 두 가지 기여를 합니다. (i) 세분화 수준 전반에 걸쳐 인식, 일관성, 심각도를 측정하는 세 가지 과제를 갖추고 수술 비디오 이해를 위한 최초의 계층 인식 평가 스위트인 SurgHiBench를 소개합니다. 범용 CLIP 모델, 유클리드 수술 모델, 그리고 두 번째 기여로서 (ii) 세 가지 수술 유형에 걸친 4개의 (기존) 데이터셋에서 함의 원뿔(entailment cones)을 통해 페이즈-스텝 포함 관계를 강제하는 새로운 쌍곡선 모델인 HyperSurg를 평가합니다. 이 스위트는 동일한 정확도를 가진 두 모델이라도 올바른 페이즈 내의 형제 노드 혼동부터 무관한 페이즈 간 예측에 이르기까지 매우 상이한 오류 심각도의 예측을 생성할 수 있음을 보여줍니다. 쌍곡선 기하학(hyperbolic geometry)은 예측을 올바른 절차적 이웃 영역으로 유도하며, 이러한 성능 향상은 각 데이터셋 주석 계층의 트리 유사성(tree-likeness)에 비례하여 확장되므로 계층 인식 기하학이 언제 도움이 되는지에 대한 원칙적인 지표를 제공합니다.