D-Synth

D-Synth是由加利福尼亚大学研究团队创建的首个合成皮肤镜数据集，专为皮肤病学领域的单视图度量尺度3D重建而设计。该数据集包含4,000个合成样本，涵盖131个黑色素水平和240种病变形态，在12-20毫米距离下生成，并提供了像素级精确的度量深度、表面法线贴图和相机内参。其创建过程基于知识引导的病变生长模型，通过渲染技术模拟生物启发的皮肤病变模式，旨在解决皮肤病学中缺乏高质量3D数据的问题。该数据集主要应用于训练和评估AI模型，以实现从单张照片进行精确的3D病变测量（如面积、宽度和体积），支持皮肤癌筛查和慢性伤口监测等临床任务。D-Synth is the first synthetic dermoscopic dataset developed by a research team at the University of California, specifically tailored for single-view metric-scale 3D reconstruction in the field of dermatology. The dataset comprises 4,000 synthetic samples, spanning 131 melanin levels and 240 lesion morphologies, generated at a working distance of 12 to 20 millimeters, and provides pixel-accurate metric depth maps, surface normal maps, and camera intrinsic parameters. Built upon a knowledge-guided lesion growth model, it simulates biology-inspired skin lesion patterns via rendering technologies, aiming to address the scarcity of high-quality 3D data in dermatology. This dataset is primarily utilized for training and evaluating AI models to achieve precise 3D lesion measurements (such as area, width and volume) from a single photograph, supporting clinical tasks including skin cancer screening and chronic wound monitoring.

原始信息汇总

数据集概述

DermDepth 是一个面向皮肤科领域的单视图度量尺度 3D 重建模型及其配套数据集项目，发表于 MICCAI 2026。

核心内容

• DermDepth 模型: 首个为皮肤科领域设计的单视图度量尺度 3D 重建模型，能够从单张照片生成稠密的 3D 重建、度量尺度测量和丰富的表面法向纹理估计，适用于皮肤镜和宏观皮肤影像。
• D-Synth 数据集: 首个包含像素级完美 3D 信息的合成皮肤镜数据集，用于训练 DermDepth 模型。

关键结果

• 在真实皮肤镜数据上，DermDepth 将度量尺度误差从超过 16 倍校正到 1.1 倍以下，同时保持几何质量并提升纹理丰富度。
• 在 SKINL2（皮肤镜）和 WoundsDB（宏观）基准上，DermDepth 的尺度比例接近 1.0 倍（理想值），而其他基线方法的误差在 2–16 倍之间。
• 在 DDI 数据集上，预测的病变体积与皮肤科文献报告的范围基本一致。

数据集详情

1. D-Synth (合成训练数据)

   • 提供 3,132 个以上渲染的皮肤镜样本。
   • 包含像素级精确的度量深度、表面法向和相机内参。
   • 托管于 Hugging Face: hcarrion/D-Synth
   • 可通过 CLI 或 Python 下载，也可通过提供的脚本和 Colab 笔记本自行生成。

2. 真实评估数据集

   • SKINL2: 皮肤病变光场数据集 (de Faria et al., 2019)
   • WoundsDB: 慢性伤口数据库 (Juszczyk et al., 2020)
   • DDI: 多样化皮肤影像数据集 (Daneshjou et al., 2022)
   • sDDI: DDI 分割掩码，用于标尺注释

模型检查点

微调后的检查点托管于 Hugging Face: hcarrion/DermDepth

文件名	训练数据	备注
DermDepth_Synth.pt	仅 D-Synth	合成数据基线 (论文中的 "DermDepth_S")
DermDepth_Synth_SKINL2_WoundsDB.pt	D-Synth → SKINL2 + WoundsDB	中间阶段
DermDepth_Synth_SKINL2_WoundsDB_DDI.pt	D-Synth → SKINL2 + WoundsDB → DDI 伪真值	最佳模型 (论文中的 "DermDepth" 结果)
DermDepth_Synth_Normals.pt	D-Synth，强调法向头	法向图备选模型

训练与评估

• 训练: 采用渐进式训练策略，仅微调尺度头，在 1 块 A100 GPU 上完成。
  • 阶段 1: 仅合成数据（约 2.5 小时）
  • 阶段 2: 加入真实数据 (WoundsDB + SKINL2)
  • 阶段 3: 加入 DDI 伪真值（最佳模型）
• 评估: 提供针对 SKINL2、WoundsDB、DDI 的深度评估、法向评估和基线模型评估脚本。

许可协议

MIT License

搜集汇总

数据集介绍

构建方式

D-Synth数据集基于知识驱动的皮肤病变生长模型，通过渲染合成方法生成。研究者扩展了已有工作，在原有仅输出二维图像与二值掩膜的基础上，新增了逐像素公制尺度深度、相机内参和法线图的导出功能，并引入了多视角拍摄角度与多样病变形态。数据集共合成4,000个样本，涵盖131种黑色素水平和240种病变形态，拍摄距离设定在12至20毫米之间，视场角为75度，确保了数据在皮肤镜场景下的高度拟真性与三维信息的像素级精确性。

特点

D-Synth数据集的核心特点在于其提供了像素完美的公制三维信息，包括精准的深度图、表面法线图以及相机内参，这在皮肤镜合成数据集中尚属首次。数据集在病变形态与肤色多样性上进行了系统设计，覆盖广泛的黑色素水平和病变类型，从而增强了模型对不同肤色人群的公平性表现。此外，合成数据的高质量三维标注克服了真实数据获取困难、标注噪声大等瓶颈，为公制尺度三维重建模型的训练提供了可靠且丰富的监督信号。

使用方法

D-Synth数据集主要用于训练和微调单目公制尺度三维重建模型，尤其是基于MoGe-2架构的DermDepth模型。使用时，可将数据集划分为70%训练集和30%测试集，冻结骨干编码器，仅微调尺度预测头与法线预测头。训练采用AdamW优化器，学习率为10^{-4}，批量大小为4，共训练1,000步，并应用指数移动平均以确保稳定收敛。数据集还支持与少量真实临床样本结合进行渐进式微调，从而弥合合成数据与真实数据之间的域差距，提升模型在真实皮肤镜及临床伤口图像上的泛化能力。

背景与挑战

背景概述

皮肤病变与慢性伤口的精准测量在临床诊断中至关重要，然而传统二维成像难以捕捉其固有的三维形态特征，如隆起、凹陷与表面粗糙度。为突破这一瓶颈，加州大学圣克鲁兹分校与伯克利分校的研究团队于2026年推出了D-Synth数据集，该数据集是全球首个专为皮肤科领域设计的合成皮肤镜图像数据集，包含4000张具有像素级完美三维信息的样本，涵盖131种黑色素水平和240种病变形态。其核心研究问题是验证单目度量尺度三维重建模型在皮肤科图像中的可行性，旨在解决因三维数据采集困难而长期制约该领域人工智能方法发展的关键难题。D-Synth的提出不仅填补了合成皮肤镜数据在度量三维深度方面的空白，更为后续研究提供了可靠的数据基础，对推动皮肤科三维计算机辅助诊断具有里程碑意义。

当前挑战

当前皮肤科图像的三维重建面临双重挑战。在领域问题层面，现有基础模型在皮肤镜图像上普遍存在度量尺度系统性偏差，例如对皮肤镜图像深度高估4至16倍，而对临床伤口深度则低估约0.6至0.75倍，尽管几何结构质量良好，但尺度错误严重阻碍了临床可用性。在数据构建层面，真实三维皮肤数据的采集极为困难：专用设备如光场相机或飞行时间传感器虽能获取深度，但成本高昂且噪声显著，深度图常存在局部平面噪声或空间偏移，难以直接用于模型训练。此外，现有数据集规模有限且缺乏肤色多样性，导致模型在不同肤色群体间表现不均衡，进一步加剧了公平性挑战。D-Synth通过合成方式生成像素级完美的三维标注，有效规避了真实数据采集的瓶颈，但其模拟场景仅覆盖皮肤镜距离，宏观临床距离仍需真实数据补充，桥接模拟与真实之间的尺度鸿沟仍是当前核心挑战。

常用场景

经典使用场景

在皮肤科三维重建领域，D-Synth数据集主要用于训练和评估单目度量尺度三维重建模型，特别是针对皮肤镜图像。该数据集通过合成具有像素级完美三维信息的皮肤病变图像，有效弥补了真实数据中三维标注稀缺的瓶颈。研究者可借此数据集训练模型从单张二维皮肤图像中恢复出具有真实度量尺度的深度图、表面法向图，并实现病变区域的精确测量，如宽度、面积和体积的估算。

衍生相关工作

D-Synth数据集衍生了一系列重要工作。其核心模型DermDepth通过仅微调0.6%的参数（尺度预测头和法向输出头），建立了从合成数据到真实临床数据的有效迁移学习范式。该工作系统评估了四种主流基础模型（Depth Anything v3、MapAnything、Pixel-Perfect Depth、MoGe-2）在皮肤图像上的表现，并提出了渐进式真实数据精调策略。此外，研究还利用DDI数据集中的标尺信息，验证了三维病变测量的临床合理性，与医学文献中的典型病变尺寸范围进行对比，展示了该方法的临床可用性边界。

数据集最近研究

最新研究方向

D-Synth数据集开创性地将单目度量尺度三维重建引入皮肤科领域，通过合成分散度数据集提供像素级完美的三维信息，解决了传统二维成像在病变形态测量中的根本局限。前沿研究方向聚焦于利用该数据集训练DermDepth模型，实现从16倍以上的度量误差校正至1.1倍以内，同时提升表面法向纹理的丰富度与几何质量。该研究紧密关联皮肤癌早期检测与慢性伤口监测等热点临床需求，通过合成数据弥合真实世界数据稀缺的鸿沟，推动了三维化、度量化的精准皮肤影像分析范式，其意义在于为公平性评估（如Fitzpatrick肤色差异从10.9降至1.02）和无需额外硬件的临床尺度重建开辟了新路径。

相关研究论文

• DermDepth: Toward Monocular Metric Scale 3D Reconstruction Models for Dermatology

  加利福尼亚大学圣克鲁兹分校; 加利福尼亚大学伯克利分校 · 2026年