RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility
East China University of Science and Technology(华东理工大学)
基于对应的旋转搜索和点云配准是机器人和计算机视觉中的两个基本问题。然而,离群点的存在,有时甚至占据了绝大多数的假定对应,可以使许多现有的算法要么失败,或有非常高的计算成本。在本文中,我们提出了RANSIC(随机抽样与不变相容性),一个快速和高度鲁棒性的方法适用于这两个问题的基础上,一个新的范例相结合的随机抽样与不变性和兼容性。RANSIC一般从对应集中随机选取小子集开始,通过对每个问题建立的不变量进行相容性检验,从随机子集中寻找潜在的内点作为图的顶点,当至少存在一个K度顶点时,返回符合条件的内点(K根据问题自动更新),并且残差同时满足一定的终止条件。在多个合成和真实实验中,我们证明了RANSIC使用速度快,对超过95%的离群值具有鲁棒性,并且能够召回大约100%的内点,在旋转搜索和点云配准问题上优于其他最先进的求解器。
2021-04-21 cs.CV cs.RO
Cascading Feature Extraction for Fast Point Cloud Registration
The University of Tokyo(东京大学)
我们提出了一种通过级联特征提取来加速三维点云配准的方法。具有最高精度的当前方法是通过使用深度特征迭代地执行特征提取和配准来实现的。然而,迭代特征提取需要时间。我们提出的方法显着降低了计算成本,使用级联浅层。我们的想法是省略不总是有助于最终精度的冗余计算。所提出的方法是大约三倍的速度比现有的方法,而不损失的准确性。
2021-10-23 cs.CV
Fast Mesh-Based Medical Image Registration
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校)
提出了一种基于三角网格的快速配准方法。以模板和参考图像作为输入,使用内容自适应网格生成算法对模板图像进行三角剖分。考虑到网格节点处的像素值,对两幅图像采用样条插值方法进行插值,使得图像配准所需的能量泛函最小。最小化过程是使用基于网格的距离测量和正则化项的离散化来实现的,这导致线性方程的稀疏系统,由于与逐像素配准方法相比尺寸较小,因此可以直接求解线性方程的稀疏系统。均方差(MSD)用作评估结果的指标。使用基于网格的技术,更高的速度相比,基于像素的曲率配准技术与快速DCT求解器。在MATLAB中实现,没有任何特定的优化。使用C/C++实现可以实现更高的速度。
2014-11-08 cs.CV
Registration of Brain Images using Fast Walsh Hadamard Transform
Bannari Amman Institute of Technology(班纳里阿曼理工学院);PSG College of Technology(PSG理工学院)
许多图像配准技术的发展对医学、天文摄影、卫星成像等领域的数据分析具有重要意义。提出了一种基于快速Walsh Hadamard变换的医学图像配准方法。该算法配准相同或不同模态的图像。每个图像比特根据快速Walsh Hadamard基函数被延长。每个基函数是确定局部结构的各个方面的概念,例如,这些系数被归一化并用作所选数字系统中的数字,该数字系统允许为每种类型的局部结构形成唯一的数字。实验结果表明,快速Walsh Hadamard变换比传统的Walsh变换在时域上取得了更好的效果。快速Walsh Hadamard变换在医学图像配准中具有更高的可靠性和更少的运算时间。
2010-07-07 cs.CV
Fast Symmetric Diffeomorphic Image Registration with Convolutional Neural Networks
The Hong Kong University of Science and Technology(香港科技大学)
几何变形图像配准是医学图像研究中的一个关键问题,因为它具有拓扑保持性和变换可逆性等独特的性质。最近的基于深度学习的可变形图像配准方法通过利用卷积神经网络(CNN)来从合成地面实况或相似性度量学习空间变换来实现快速图像配准。然而,这些方法往往忽略了拓扑保持的变换和光滑的变换,这是由一个整体的平滑能量函数单独执行。此外,基于深度学习的方法通常直接估计位移场,这不能保证逆变换的存在。在本文中,我们提出了一种新的,高效的无监督的对称图像配准方法,最大限度地提高图像之间的相似性的空间内的同构映射和估计的正变换和逆变换同时进行。我们评估我们的方法与大规模的脑图像数据集的三维图像配准。我们的方法实现了国家的最先进的配准精度和运行时间,同时保持理想的仿形属性。
2021-02-28 cs.CV
Optimization over Random and Gradient Probabilistic Pixel Sampling for Fast, Robust Multi-Resolution Image Registration
McGill University(麦吉尔大学);Center of Intelligent Machines(智能机器中心)
提出了一种基于概率像素采样的快速图像配准方法。我们提出了一个实用的方案,利用两个国家的最先进的像素采样方法的好处:梯度幅度为基础的像素采样和均匀随机采样。我们的框架涉及学习两个采样方案之间的最佳平衡离线训练过程中,基于一个小的训练数据集,使用粒子群优化。然后,我们测试所提出的采样方法对两个国家的最先进的方法的基础上流行的,公开可用的,范德比尔特RIRE数据集的3D刚性配准。我们的研究结果表明,所提出的采样方法产生更快,准确和强大的配准结果相比,国家的最先进的。
2020-10-02 cs.CV
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
Toyota Research Institute(丰田研究院)
提出一种基于几何表面结构和再生核希尔伯特空间嵌入的无对应局部点云配准方法,采用二阶流形优化实现高达10倍加速,在LiDAR和RGB-D跟踪及物体配准中显著降低漂移并提升鲁棒性。
2026-06-08 cs.AI cs.CV cs.RO
DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios
School of Mechanical and Power Engineering, East China University of Science and Technology(华东理工大学机械与动力工程学院)
基于对应关系的点云配准是几何计算机视觉、机器人感知、摄影测量和遥感等领域的一个重要研究内容,其目的是根据3D关键点之间建立的对应关系来估计两个点云之间的最佳刚性变换。然而,由于有限的鲁棒性和准确性,当前的3D关键点匹配技术非常容易产生离群值,甚至可能是非常大的数量,使得点云配准的鲁棒估计非常重要。不幸的是,现有的鲁棒方法可能会遭受高计算成本或鲁棒性不足时,遇到高(甚至极端)离群值比率,很难理想的实际应用。在本文中,我们提出了一种新的时间有效的RANSAC型共识最大化求解器,命名为DANIEL(双层sAmpliNg与共识最大化的基础上分层元素的兼容性),鲁棒注册。DANIEL设计有两层随机抽样,以便以最低的计算成本找到内点子集。具体而言,我们:(i)在第一层单点采样中应用刚性约束来修剪原始离群值;(ii)引入一系列分层的逐元素相容性测试来进行最小模型之间的快速相容性检查,从而在第二层两点采样中实现更有效的一致性最大化;以及(iii)采用概率终止条件来确保最终内点集的及时返回。基于多个真实数据集的各种实验,我们表明DANIEL对超过99%的离群值具有鲁棒性,并且比现有的最先进的鲁棒求解器(例如RANSAC,FGR,GORE)更快。
2021-10-12 cs.CV cs.RO
Fast Diffeomorphic Image Registration using Patch based Fully Convolutional Networks
School of Computer and Electrical Engineering, Hunan University of Arts and Science(湖南文理学院计算机与电气工程学院);Furong College, Hunan University of Arts and Science(湖南文理学院芙蓉学院);The University of Hong Kong(香港大学)
本文提出一种基于图像块全卷积网络的无监督微分同胚配准框架,通过块级特征提取和新颖微分算子,在多个T1w MRI数据集上取得优于现有方法的配准精度与拓扑保持性能。
2024-05-04 cs.CV
FastReg: Fast Non-Rigid Registration via Accelerated Optimisation on the Manifold of Diffeomorphisms
我们提出了一种新的方法来实现的同构非刚性医学图像配准。该方法是基于光流和扭曲的图像通过梯度流与标准的$L^2$内积。为了计算变换,我们依赖于对同构流形的加速优化。我们实现了Sobolev梯度流的正则性,这是昂贵的计算,由于一种新的方法,平均的梯度在时间上,而不是空间。我们成功地配准了脑部MRI和具有挑战性的腹部CT扫描,其速度比以前的方法快了几个数量级。我们在一个公共存储库中提供我们的代码:https://github.com/dgrzech/fastreg
2019-04-24 cs.CV
Fast and Robust Symmetric Image Registration Based on Distances Combining Intensity and Spatial Information
Uppsala University(乌普萨拉大学);Mathematical Institute of the Serbian Academy of Sciences and Arts(塞尔维亚科学院数学研究所)
基于亮度的图像配准方法依赖于相似性度量来指导图像之间具有高亲和力的几何对应的搜索。所用测量的属性对于配准的鲁棒性和准确性至关重要。在这项研究中,提出了一个对称的,强度插值自由,仿射配准框架的基础上的强度和空间信息的组合。该框架的优异性能被证明在合成测试的组合,恢复已知的变换存在噪声,并在生物医学和医学图像配准的实际应用中,为2D和3D图像。该方法具有更大的鲁棒性和更高的准确性比常用的相似性措施,当插入到一个标准的基于梯度的注册框架,可作为开源的洞察分割和注册工具包(ITK)的一部分。经验表明,该方法具有较低的计算成本,使其实际应用。源代码可用。
2019-02-21 cs.CV
AlignNet-3D: Fast Point Cloud Registration of Partially Observed Objects
RWTH Aachen University(亚琛工业大学)
解决多目标跟踪问题的方法需要估计传感区域内目标的数量以及目标的连续状态。虽然大多数现有的方法集中在数据关联,精确的状态(3D姿态)估计往往只是粗略估计的近似目标的质心或(3D)边界框。然而,在汽车场景中,周围智能体的运动感知是至关重要的,车辆近距离的不准确可能会产生灾难性的后果。在这项工作中,我们专注于精确的3D跟踪状态估计,并提出了一种基于学习的方法为中心的相对运动估计的部分观察对象。而不是近似目标与他们的质心,我们的方法是能够利用嘈杂的3D点段的对象来估计他们的运动。为此,我们提出了一个简单,但有效和高效的网络,\method,学习对齐点云。我们对两个不同数据集的评估表明,我们的方法优于计算昂贵的全局3D配准方法,同时效率更高。我们在www.example.com上提供我们的数据、代码和模型。
2019-10-10 cs.CV cs.RO
CLIPPER+: A Fast Maximal Clique Algorithm for Robust Global Registration
Colorado School of Mines(科罗拉多矿业学院);University of Texas at Dallas(德克萨斯大学达拉斯分校)
CLIPPER+通过核心数剪枝缩小图规模,在保持较低运行时间的同时实现最高精度的最大团估计,用于离群点鲁棒的全局配准,可在超过99%关联为离群点的场景中成功配准点云。
2024-02-23 cs.CV cs.RO
Quicksilver: Fast Predictive Image Registration - a Deep Learning Approach
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Biomedical Research Imaging Center (BRIC)(生物医学研究成像中心);UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Salzburg(萨尔茨堡大学)
介绍了一种快速变形图像配准方法Quicksilver。Quicksilver图像对配准通过直接基于图像外观的变形模型的逐块预测来工作。使用深度编码器-解码器网络作为预测模型。虽然预测策略是一般的,我们专注于预测的大变形超纯度量映射(LDDMM)模型。具体来说,我们预测的动量参数化LDDMM,这有利于一个补丁式的预测策略,同时保持LDDMM的理论属性,如保证足够强的正则化的同构映射。我们还提供了我们的预测网络的概率版本,可以在测试期间进行采样,以计算预测变形的不确定性。最后,我们引入了一个新的校正网络,大大提高了现有预测网络的预测精度。我们展示了单模态图谱到图像以及单模态/多模态图像到图像配准的实验结果。这些实验表明,我们的方法可以准确地预测通过数值优化获得的配准,速度非常快,在四个标准验证数据集上实现了最先进的配准结果,并且可以联合学习图像相似性度量。Quicksilver是一个免费的开源软件。
2017-07-19 cs.CV
Regression-based Pelvic Pose Initialization for Fast and Robust 2D/3D Pelvis Registration
Department of Computer Science(计算机科学系);Vanderbilt University(范德比大学);Vanderbilt Institute of Surgery and Engineering(范德比手术与工程研究所);Vanderbilt Lab for Immersive AI Translation(范德比沉浸式AI翻译实验室);Department of Orthopaedic Surgery(骨科手术系);Vanderbilt University Medical Center(范德比大学医学中心)
针对基于优化的2D/3D骨盆配准姿态估计器简单初始化易不收敛的问题,提出学习初始化函数的方法,通过粗糙初始化提升精度与效率,极端姿态下仍有效,实验验证其鲁棒准确性,增强临床应用可靠性。
2025-11-17 cs.CV
Fast Predictive Multimodal Image Registration
UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Salzburg(萨尔茨堡大学)
我们介绍了一种深度编码器-解码器架构,用于从多模态图像进行图像变形预测。具体来说,我们设计了一个基于图像补丁的深度网络,它联合(i)学习图像相似性度量和(ii)图像补丁与变形参数之间的关系。虽然我们的方法可以应用到一般的图像配准公式,我们专注于大变形的几何度量映射(LDDMM)配准模型。通过预测LDDMM的射击公式的初始动量,我们保留了它的数学性质,并大大减少了计算时间,相比基于优化的方法。此外,我们创建了一个贝叶斯概率版本的网络,允许通过在测试时对网络进行采样来评估配准不确定性。我们使用T1和T2加权图像在3D脑MRI数据集上评估我们的方法。我们的实验表明,我们的方法产生准确的预测和学习的相似性度量导致更一致的注册比依赖于通用的多模态图像相似性度量,如互信息。我们的方法比基于优化的LDDMM快一个数量级。
2017-03-31 cs.CV
Unsupervised Learning for Fast Probabilistic Diffeomorphic Registration
Computer Science and Artificial Intelligence Lab, MIT(麻省理工学院计算机科学与人工智能实验室);Martinos Center for Biomedical Imaging, Massachusetts General Hospital, HMS(哈佛医学院麻省总医院马蒂诺生物医学成像中心);School of Electrical and Computer Engineering, Cornell University(康奈尔大学电子与计算机工程学院)
传统的可变形配准技术取得了令人印象深刻的结果,并提供了严格的理论处理,但计算密集型,因为它们解决了每个图像对的优化问题。最近,基于学习的方法通过学习空间变形函数来促进快速配准。然而,这些方法使用受限的变形模型,需要监督标签,或者不保证拓扑保持的配准。此外,基于学习的配准工具并不是从可以提供不确定性估计的概率框架中衍生出来的。在本文中,我们提出了一个概率生成模型,并推导出一个基于无监督学习的推理算法,该算法利用了卷积神经网络(CNN)的最新发展。我们展示了我们的方法上的3D大脑注册任务,并提供了一个实证分析的算法。我们的方法的结果在国家的最先进的精度和非常快的运行时间,同时提供了同构的保证和不确定性估计。我们的实现可以在http://voxelmorph.csail.mit.edu上获得。
2018-09-14 cs.CV cs.GR
GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and Light-weight Point Set Registration Algorithm
Graz University of Technology(格拉茨工业大学)
本文提出GAFAR,一种利用图注意力机制在推理时增强点描述符的快速轻量点集配准算法,通过点云内外全连接图推理点的重要性与可靠性,提升对离群点、低重叠和未见数据的鲁棒性。
2023-07-05 cs.CV
Fast Graph-Cut Based Optimization for Practical Dense Deformable Registration of Volume Images
Uppsala University(乌普萨拉大学)
目的:可变形图像配准是医学图像分析中的一个基本问题,其应用包括纵向研究、群体建模和基于图谱的图像分割。配准通常被表述为优化问题,即,根据给定的目标函数找到最优的变形场。离散的,组合的,优化技术已成功地用于解决由此产生的优化问题。具体而言,优化的基础上$α$ -扩展与最小的图形切割已被提出作为一个强大的工具,图像配准。然而,基于图切割的优化方法的高计算成本限制了这种方法用于大体积图像配准的效用。研究方法:在这里,我们提出了加速基于图切割的变形配准划分成重叠的子区域的图像和限制的$α$扩展移动到一个单一的子区域的时间。结果如下:我们的经验表明,这种方法可以实现一个很大的减少计算时间-从几天到几分钟-只有一个很小的罚款方面的解决方案的质量。结论:所提出的方法提供的计算时间的减少,使基于图切割的变形配准可行的大体积图像。重要性:基于图割的图像配准先前已被证明产生优异的结果,但是高计算成本阻碍了用于配准大医学体积图像的方法的采用。我们提出的方法解除了这一限制,只需要一小部分的计算成本,以产生可比的质量的结果。
2018-10-19 cs.CV
Fast Predictive Image Registration
UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Salzburg(萨尔茨堡大学)
我们提出了一种方法来预测图像变形的基础上分块的图像外观。具体来说,我们设计了一个基于补丁的深度编码器-解码器网络,它学习图像外观和配准参数之间的像素/体素映射。我们的方法可以预测一般的变形参数化,但是,我们专注于大变形几何度量映射(LDDMM)配准模型。通过预测LDDMM动量参数化,我们保留了LDDMM理想的理论特性,同时将计算时间减少了几个数量级:与补丁修剪相结合,我们实现了与基于GPU的2D/3D图像配准优化相比1500倍/66倍的速度提升。我们的方法具有更好的预测精度比预测变形或速度场,并在非纯变换的结果。此外,我们创建了一个贝叶斯概率版本的网络,它允许通过Monte Carlo采样在测试时使用dropout来评估变形场的不确定性。我们发现,变形的不确定性突出了模糊变形的区域。我们在2D和3D的OASIS脑图像数据集上测试了我们的方法。
2016-07-08 cs.CV
Fast and Robust Registration of Aerial Images and LiDAR data Based on Structrual Features and 3D Phase Correlation
Southwest Jiaotong University(西南交通大学)
航空影像与激光雷达(LiDAR)数据的配准是一个挑战,因为不同的成像机制会导致这些数据之间显著的几何和辐射失真。针对这一问题,提出了一种基于结构特征和三维相位相关的自动配准方法。在该方法中,激光雷达点云数据首先转换成强度图,这是作为参考图像。然后,我们采用快速算子提取均匀分布的兴趣点在航空图像的分区策略和执行的局部几何校正,通过使用共线方程,以消除图像之间的比例和旋转差异。随后,基于稠密梯度特征构建鲁棒的结构特征描述符,利用三维相位相关性在频域中检测航空图像和LiDAR数据之间的控制点,并通过三维快速傅里叶变换(FFT)加速图像匹配。最后,利用获得的CP校正外方位元素,实现航空影像与LiDAR数据的配准。通过对航空影像和LiDAR数据集的实验表明,该方法比现有方法具有更快的速度和更强的鲁棒性
2020-04-21 cs.CV
Locally Non-rigid Registration for Mobile HDR Photography
NVIDIA(英伟达);Duke University(杜克大学);Light
基于堆栈的HDR摄影的图像配准具有挑战性。如果没有适当地考虑,相机运动和场景变化会导致合成图像中的伪影。不幸的是,解决这个问题的现有方法要么是准确的,但对于移动设备来说太慢,要么是快速的,但容易失败。我们提出了一种方法,填补了这一空白:我们的方法是非常快的-下700毫秒的商业平板电脑上的一对5 MP的图像-并防止所产生的伪影不足的注册质量。
2015-05-05 cs.CV
Fast 3D registration with accurate optimisation and little learning for Learn2Reg 2021
Institute of Medical Informatics, Universität zu Lübeck(吕贝克大学医学信息学研究所)
当前用于可变形医学图像配准的方法通常难以满足所有以下标准:通用适用性、小计算或训练时间以及能够估计大变形。此外,用于配准的监督训练的端到端网络通常变得过于复杂并且难以训练。对于Learn 2 Reg 2021挑战,我们的目标是通过解耦特征学习和几何对齐来解决这些问题。首先,我们介绍一种新的非常快速和准确的优化方法。通过使用离散位移和耦合凸优化过程,我们能够稳健地应对大变形。借助基于Adam的实例优化,我们实现了非常准确的配准性能,并通过使用正则化,我们获得了平滑和合理的变形场。其次,为了适应不同的配准任务,我们提取了模态和对比度不变的手工特征,并从特定于任务的分割U-Net中使用语义特征对其进行补充。凭借我们的成绩,我们能够获得Learn 2 Reg 2021挑战赛的第二名,赢得任务1,并在其他两项任务中获得第二名和第三名。
2021-12-06 cs.CV eess.IV
A New Outlier Removal Strategy Based on Reliability of Correspondence Graph for Fast Point Cloud Registration
School of Geodesy and Geomatics, Wuhan University(武汉大学测绘学院)
针对高外点率下点云配准效率与精度不足的问题,提出基于对应图节点和边可靠度的GROR外点剔除策略,可在超过99%外点率时快速准确配准。
2022-05-16 cs.CV
A Fast and Accurate Nonlinear Spectral Method for Image Recognition and Registration
本文解决了二维和更高维模式匹配的问题,即在更大的信号空间内识别模板的实例,这是一种配准形式。与传统的相关性,我们的目标是获得更多的选择性匹配,考虑更严格的比较灰度强度。为了实现快速匹配,非线性阈值版本的快速傅立叶变换应用于原始2D图像的灰度级分解。该方法的潜力得到证实,相对于涉及选择性识别神经元细胞体的灰度图像的真实数据。
2006-04-24 cond-mat.stat-mech cs.CG cs.CV
Fast and Globally Optimal Rigid Registration of 3D Point Sets by Transformation Decomposition
Fudan University(复旦大学);Technical University of Munich(慕尼黑工业大学)
三维点集的刚性配准是计算机视觉中的一个基本问题。目前的趋势是使用BnB优化框架在全局上解决这个问题。然而,现有的全局方法是缓慢的,这主要是由于两个原因:BnB的计算复杂性是问题维度的指数(对于3D刚性配准,其为6),并且BnB中使用的边界评估是低效的。在本文中,我们提出了两种技术来解决这些问题。首先,我们引入平移不变向量的思想,它允许我们将6D刚性变换的搜索分解为3D旋转搜索,然后是3D平移搜索,每个搜索都由单独的BnB算法求解。这种变换分解降低了BnB算法的问题维数,并大大提高了其效率。然后,我们提出了一种新的数据结构,命名为三维积分体,以加快边界评估在两个BNB算法。通过结合这两种技术,我们实现了一个有效的算法刚性配准的三维点集。在人工数据和真实数据上的大量实验表明,该算法比现有的全局方法快三个数量级。
2019-01-05 cs.CV
Reg-TTR, Test-Time Refinement for Fast, Robust and Accurate Image Registration
School of Artificial Intelligence and Robotics, Hunan University, China(人工智能与机器人学院,湖南大学,中国);The University of Manchester, UK(曼彻斯特大学,英国)
Reg-TTR通过测试时细化结合深度学习和传统配准技术,提升图像配准的准确性和效率。
2026-01-27 cs.CV
GaussReg: Fast 3D Registration with Gaussian Splatting
School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)理工学院);The Future Network of Intelligence Institute, CUHK-Shenzhen(香港中文大学(深圳)未来智能网络研究院)
针对两个显式高斯泼溅场景的3D配准问题,提出由粗到细的GaussReg,并通过GS渲染图像引导精细对齐,在多数据集上以相当精度实现较HLoc 44倍加速。
2024-07-07 cs.CV
Fast Learning-based Registration of Sparse 3D Clinical Images
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
我们介绍了SparseVM,这是一种比以前更快、更准确地配准临床质量3D MR扫描的方法。临床扫描的可变形对准或配准是许多临床神经科学研究的基本任务。然而,大多数配准算法都是为高分辨率研究质量扫描而设计的。与研究质量的扫描相比,临床扫描通常是稀疏的,在研究质量的扫描中丢失高达86%的切片。现有的方法用于注册这些稀疏的图像是不准确的或非常缓慢。我们提出了一种基于学习的配准方法SparseVM,它比最准确的临床配准方法更准确,速度也快了几个数量级。据我们所知,这是第一种使用专门针对临床图像配准的深度学习的方法。我们证明了我们的方法在临床上获得的MRI数据集的中风患者和模拟稀疏MRI数据集。我们的代码可以作为VoxelMorph包的一部分在http://voxelmorph.mit.edu/上找到。
2020-04-06 cs.CV cs.LG q-bio.QM
Correspondence-Free Fast and Robust Spherical Point Pattern Registration
Dept. of Mechanical Engineering, Virginia Tech(机械工程系,弗吉尼亚理工学院)
针对球面点模式配准,提出线性复杂度旋转估计算法SPMC、FRS及混合方法,在无对应和异常值下比现有方法快且准10倍以上,并适用于点云配准和球面图像。
2025-08-04 cs.CV cs.RO
FDRN: A Fast Deformable Registration Network for Medical Images
Institute of Parallel and Distributed Systems, University of Stuttgart(斯图加特大学并行与分布式系统研究所)
形变图像配准是医学成像中的一项基本任务。由于体积图像形变配准的计算复杂性较大,传统的迭代法在实际应用中往往面临配准精度和计算时间的折衷。为了提高配准精度和运行时间,我们提出了一种快速的卷积神经网络。特别地,为了有效地利用存储器资源和扩大模型容量,我们采用加性转发代替信道级联,并在每个编码器和解码器阶段加深网络。为了提高学习效率,我们利用编码器和解码器阶段内的跳过连接来实现残差学习,并在最低分辨率的底层采用辅助损失来进行深度监督。特别地,低分辨率辅助损失在训练阶段期间由指数衰减的参数加权。结合高分辨率网格中的主要损失,实现了由粗到精的学习策略。最后,我们引入了一个基于分割的辅助损失,以提高Dice评分的配准性能。与使用平均Dice分数的辅助损失相比,所提出的多标签分割损失在训练阶段不会引起额外的内存开销,并且可以用于具有任意数量类别的图像。在实验中,我们表明FDRN优于现有的国家的最先进的配准方法,脑MR图像诉诸紧凑的网络结构和有效的学习。此外,FDRN是一种通用的图像配准框架,它不局限于特定类型的医学图像或解剖结构。
2021-06-23 cs.CV eess.IV
TEASER: Fast and Certifiable Point Cloud Registration
Massachusetts Institute of Technology(麻省理工学院);Laboratory for Information & Decision Systems(信息与决策系统实验室)
我们提出了第一个快速和可验证的算法,用于在存在大量异常值对应关系的情况下注册两组3D点。我们首先重新制定的注册问题,使用截断最小二乘(TLS)的成本是不敏感的一大部分虚假的对应关系。然后,我们提供了一个通用的图论框架来解耦尺度,旋转和平移估计,这允许在级联中解决这三个变换。尽管事实上,每个子问题仍然是非凸和组合的性质,我们表明,(i)TLS规模和(分量方式)平移估计可以经由自适应投票在多项式时间中求解,(ii)TLS旋转估计可以被放松为半定规划(SDP)并且该放松是紧密的,即使在存在极端离群值率的情况下,以及(iii)图论框架允许通过找到最大团来大幅修剪离群值。我们命名的算法TEASER(截断最小二乘估计和SEminifirm松弛)。虽然解决大型SDP松弛通常很慢,但我们开发了第二个快速且可验证的算法,名为TEASER++,该算法使用分级非凸性来解决旋转子问题,并利用Douglas-Rachford分裂来有效地验证全局最优性。对于这两种算法,我们提供了理论界的估计误差,这是第一个强大的注册问题。此外,我们在标准,目标检测和3DMatch基准测试中测试了它们的性能,并表明(i)这两种算法都占主导地位,并且对超过99%的异常值具有鲁棒性,(ii)TEASER++可以在毫秒内运行,(iii)TEASER++非常强大,它也可以解决没有对应关系的问题,其中它在很大程度上优于ICP,并且它比G…
2020-10-17 cs.CV cs.RO math.OC
Fast Registration for cross-source point clouds by using weak regional affinity and pixel-wise refinement
University of Technology Sydney(悉尼科技大学);Nokia Technologies(诺基亚科技);Tsinghua University(清华大学)
近年来,各种类型的三维采集传感器不断涌现,点云数据在许多领域得到了广泛的应用。跨源三维点云的快速、准确配准是计算机视觉领域的一个新兴研究课题。由于跨源点云数据包含多种变化,如密度、部分重叠、大噪声和离群点、视点变化等,因此该问题极具挑战性。提出了一种高精度、高效率的跨源点云对齐算法。主要贡献有两个:第一,提出了弱区域亲和性和逐像素细化两个组件来保持三维点云的全局和局部信息。然后,这两个组件集成到一个迭代的基于张量的配准算法来解决跨源点云配准问题。我们在合成的跨源基准数据集和真实的跨源数据集上进行了实验。与现有的6种方法相比,该方法具有更高的效率和精度。
2019-03-11 cs.CV cs.GR
SAMConvex: Fast Discrete Optimization for CT Registration using Self-supervised Anatomical Embedding and Correlation Pyramid
DAMO Academy, Alibaba Group(达摩院,阿里巴巴集团);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);The First Affiliated Hospital of College of Medicine, Zhejiang University(浙江大学医学院附属第一医院);Hupan Lab(华潘实验室)
提出SAMConvex,一种基于自监督解剖学嵌入和解耦凸优化的CT配准快速离散优化方法,通过构建6D相关性体积并迭代更新流场,在多个数据集上优于现有方法且仅需约2秒。
2025-06-27 cs.CV
Affine Medical Image Registration with Coarse-to-Fine Vision Transformer
The Hong Kong University of Science and Technology(香港科技大学)
仿射配准是医学图像配准过程中不可缺少的一部分。然而,只有少数研究集中在快速和鲁棒的仿射配准算法。这些研究中的大多数利用卷积神经网络(CNN)来学习联合仿射和非参数配准,而仿射子网络的独立性能较少探索。此外,现有的基于CNN的仿射配准方法关注输入的局部未对准或全局方向和位置来预测仿射变换矩阵,这对空间初始化敏感,并且除了训练数据集之外表现出有限的泛化能力。本文提出了一种快速、鲁棒的基于学习的三维仿射医学图像配准算法--粗到精视觉Transformer(C2FViT)。我们的方法自然地利用卷积视觉Transformer的全局连接性和局部性以及多分辨率策略来学习全局仿射配准。我们评估我们的方法在3D脑图谱配准和模板匹配归一化。综合结果表明,我们的方法是优于现有的基于CNN的仿射配准方法的配准精度,鲁棒性和泛化能力,同时保持运行时的优势,基于学习的方法。源代码可在https://github.com/cwmok/C2FViT上获得。
2022-03-30 cs.CV
A Robust Multimodal Remote Sensing Image Registration Method and System Using Steerable Filters with First- and Second-order Gradients
Southwest Jiaotong University(西南交通大学);Beijing Institute of Technology(北京理工学院);State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing(测绘遥感信息工程国家重点实验室)
由于非线性辐射差异(NRD)和显著的几何失真(例如,缩放和旋转变化)之间的图像。本文提出了一种基于可操纵滤波器的鲁棒匹配方法,该方法包括两个关键步骤。首先,为了解决严重的NRD,一种新的结构描述符命名为可操纵滤波器的第一和第二阶通道(SFOC),它结合了一阶和第二阶梯度信息,通过使用可操纵滤波器与多尺度策略来描述更多的区别结构特征的图像。在此基础上,提出了一种快速归一化互相关(Fast-NCCSFOC)相似性度量方法,该方法利用快速傅立叶变换和积分图像来提高匹配效率。此外,为了实现可靠的配准性能,由粗到精的多模态配准系统的设计包括两个关键模块。首先进行局部粗配准,包括检测的兴趣点(IP)和局部几何校正,有效地利用遥感图像的先验地理参考信息,以解决全球的几何失真。在精配准阶段,提出的SFOC是用来抵抗显着的NRD,并检测多模态图像之间的控制点的模板匹配方案。所提出的匹配方法的性能进行了评估与许多不同类型的多模态遥感图像。实验结果表明,与现有的方法相比,该方法具有更好的匹配性能。此外,所设计的配准系统在配准精度和计算效率方面也优于流行的商业软件。我们的系统可在https://github.com/yeyuanxin110上获得。
2022-02-27 cs.CV
A Deep Learning Based Method for Fast Registration of Cardiac Magnetic Resonance Images
University of Calgary(卡尔加里大学)
针对心脏MRI配准速度慢的问题,提出一种高效卷积架构的快速轻量级配准(FLIR)模型,在保持配准精度的同时大幅缩短推理时间,并用于量化心脏应变,验证了其一致性。
2025-06-23 cs.CV cs.LG eess.IV
Fast and Automatic Object Registration for Human-Robot Collaboration in Industrial Manufacturing
Software Competence Center Hagenberg GmbH(哈根贝格软件能力中心有限公司);KEBA Group AG(KEBA集团股份公司);Danube Dynamics Embedded Solutions GmbH(多瑙动力嵌入式解决方案有限公司)
我们提出了一个端到端的框架,快速再训练的目标检测模型,在人-机器人协作。我们基于Faster R-CNN的设置涵盖了自动图像生成和标记、现场模型再训练以及FPGA边缘设备上的推理的整个工作流程。人工操作员的干预简化为提供新对象及其标签并开始训练过程。此外,我们提出了一个新的损失,intraspread-objectosphere损失,以解决开放世界的识别问题。虽然它不能完全解决这个问题,但它显着减少了未知对象的误报检测的数量。
2022-04-01 cs.AI cs.CV
Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization
East China University of Science and Technology(华东理工大学)
三维点云配准是遥感、摄影测量、机器人学和几何计算机视觉等领域中最基本的问题之一。由于3D特征匹配技术的有限准确性,在对应关系中可能存在离群值,有时甚至是非常大的数量。由于现有的鲁棒求解器可能会遇到高计算成本或有限的鲁棒性,我们提出了一种新的,快速和高度鲁棒的解决方案,命名为VOCRA(VOting与成本函数和旋转平均),极端离群率的点云配准问题。我们的第一个贡献是采用Tukey的Biwight鲁棒成本引入一个新的投票和通信排序技术,这被证明是相当有效的区分真正的内点从离群值,即使极端(99%)离群率。我们的第二个贡献包括在设计一个时间效率的共识最大化范例的基础上强大的旋转平均,服务于寻求内点候选人之间的对应关系。最后,我们应用Graduated Non-Convexity with Tukey's Bigweight(GNC-TB)来估计正确的变换与获得的内点候选,然后用于找到完整的内点集。两个标准的基准测试和现实的实验,应用到两个真实的数据问题进行,我们表明,我们的求解VOCRA是强大的对超过99%的离群值和更高效的时间比国家的最先进的竞争对手。
2021-11-08 cs.CV
Fast and Accurate Monomodal 3D High Resolution Deep Registration of Drosophila Larval Brain Volumes
University of Regensburg(雷根斯堡大学)
提出一种基于深度学习的果蝇幼虫大脑体积配准流程,实现单次前向传播的高分辨率变形对齐,在精度和速度上均优于经典方法,并开源了完整框架。
2026-09-11 cs.CV
Fast, Unsupervised Framework for Registration Quality Assessment of Multi-stain Histological Whole Slide Pairs
Digital Health, Computer Vision, NJ, USA 2 Johnson \& Johnson, Oncology Translational Research, PA, USA
本文提出一种快速无监督框架,用于评估多染色全切片图像配准质量,通过结合掩码和变形度量指标,实现高保真度的配准质量评估。
2026-02-03 cs.CV
GenReg: Deep Generative Method for Fast Point Cloud Registration
Image X Institute, University of Sydney(悉尼大学 Image X 研究所);Chongqing University of Posts and Telecommunications(重庆邮电大学);University of Techonology Sydney(悉尼科技大学);Jiangxi University of Finance and Economics(江西财经大学);Xpeng(小鹏)
由于噪声和大量点影响对应搜索,因此精确和高效的点云配准是一个挑战。这一挑战仍然是一个遗留的研究问题,因为大多数现有的方法依赖于对应搜索。为了解决这一挑战,我们提出了一种新的数据驱动的配准算法,通过研究深度生成神经网络点云配准。给定两个点云,动机是直接生成对齐的点云,这在许多应用中非常有用,如3D匹配和搜索。我们设计了一个端到端的生成神经网络对齐点云生成,以实现这一动机,包含三个新的组件。首先,提出了一种点多感知层(MLP)混合器(PointMixer)网络,以有效地保持全局和局部结构信息在多个层次上从自我点云。其次,提出了一个特征交互模块,用于融合交叉点云信息。第三,提出了一种并行差分样本一致性方法,根据生成的配准结果计算输入点云的变换矩阵。通过保持数据分布和结构相似性,在GAN框架中训练所提出的生成式神经网络。在ModelNet40和7Scene数据集上的实验表明,该算法具有较高的准确性和效率。值得注意的是,我们的方法减少了$2\times$的注册错误(CD)和$12\times$运行时间相比,最先进的基于对应关系的算法。
2021-11-23 cs.CV
Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures
NVIDIA Research(英伟达研究院)
点云配准是许多重要且具有挑战性的3D感知问题的核心,包括自主导航、SLAM、对象/场景识别和增强现实。在本文中,我们提出了一种新的注册算法,能够实现国家的最先进的速度和精度,通过其使用的分层高斯混合模型(GMM)表示。我们的方法构建了一个自上而下的多尺度表示的点云数据递归运行许多小规模的数据似然分割并行GPU上。我们利用所得到的表示使用一种新的PCA为基础的优化标准,自适应地找到最好的规模来执行点云数据的空间子集之间的数据关联。与以前的迭代最近点和基于GMM的技术相比,我们的基于树的点关联算法在并行时间内执行数据关联,同时动态调整细节级别,以最好地匹配局部场景几何的复杂性和空间分布特性。此外,不像其他GMM方法,限制协方差是各向同性的,我们的新的PCA为基础的优化标准很好地逼近真正的MLE解决方案,即使完全各向异性高斯协方差使用。高效的数据关联、多尺度适应性和强大的MLE近似产生了一种算法,该算法在从LiDAR到结构光捕获的各种3D数据集上比当前最先进的算法更快、更准确。
2018-07-06 cs.CV
Fast globally optimal Truncated Least Squares point cloud registration with fixed rotation axis
Technical University of Applied Sciences Augsburg(奥格斯堡应用技术大学)
本文针对固定旋转轴的点云配准问题,提出线性时间凸松弛与收缩器加速的分支定界方法,在100个点规模下实现半秒内可证明全局最优的TLS求解,比SDP求解器STRIDE快两个数量级。
2025-08-21 cs.CV
Geometric Transformer for Fast and Robust Point Cloud Registration
National University of Defense Technology(国防科技大学);Technical University of Munich(慕尼黑工业大学);Sun Yat-sen University(中山大学)
本文提出 Geometric Transformer,通过编码成对距离与三元组角度学习几何结构特征,实现低重叠场景下鲁棒超点匹配,并无需 RANSAC,显著提升配准速度与精度。
2022-03-12 cs.CV
Fast and Robust Matching for Multimodal Remote Sensing Image Registration
Southwest Jiaotong University(西南交通大学);University of Trento(特伦托大学);Purdue University(普渡大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
虽然图像配准已经在遥感界研究了几十年,但配准多模态数据[例如,光学、LiDAR、SAR和地图]仍然是一个具有挑战性的问题,因为这些数据之间存在显著的非线性强度差异。为了解决这个问题,本文提出了一种快速、鲁棒的匹配框架,该框架集成了用于多模式配准的局部描述符。在所提出的框架中,一个局部描述符,如直方图的方向梯度(HOG),局部自相似性(LSS),或加速鲁棒特征(SURF),首先提取在每个像素,形成一个逐像素的特征表示的图像。然后,我们定义了一个相似性度量的基础上的特征表示在频域中使用的三维快速傅立叶变换(3DFFT)技术,其次是一个模板匹配方案来检测图像之间的控制点。在这个过程中,我们还提出了一种新的像素级的特征表示使用定向梯度的图像,这是命名为通道功能的定向梯度(CFOG)。该特征是逐像素HOG描述符的扩展,在匹配性能和计算效率方面都优于逐像素HOG描述符。所提出的框架的主要优点包括:(1)结构相似性表示使用逐像素的特征描述和(2)由于使用3DFFT的高计算效率。在不同类型的多模态图像上的实验结果表明,该框架的匹配性能优于现有的匹配方法,并已应用于某上市公司的软件产品中。matlab代码可以在这份手稿中找到。
2021-03-31 cs.CV
Fast Predictive Simple Geodesic Regression
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Southern California(南加州大学);University of Pennsylvania(宾夕法尼亚大学);University of Salzburg(萨尔茨堡大学)
形变图像配准和回归是医学图像分析中的重要任务。然而,它们在计算上是昂贵的,特别是在分析包含数千张图像的大规模数据集时。因此,通常使用集群计算,使方法依赖于这样的计算基础设施。随着研究规模的增加,甚至需要更大的计算资源。这限制了可变形图像配准和回归在临床应用中的使用以及作为其他图像分析方法的组件算法的使用。因此,我们建议使用一种快速的预测方法来执行图像配准。特别是,我们采用这些快速配准预测来近似简化的测地线回归模型,以捕获纵向大脑变化。由此产生的方法比标准的基于优化的回归模型快几个数量级,因此便于在单个图形处理单元(GPU)上进行大规模分析。我们从ADNI数据集的3D脑磁共振图像(MRI)上评估我们的结果。
2017-11-15 cs.AI cs.CV
Fast Semantic-Assisted Outlier Removal for Large-scale Point Cloud Registration
Edith Cowan University(伊迪斯科文大学);Chalmers University of Technology(查尔姆斯理工大学);The University of Adelaide(阿德莱德大学)
随着传感器(更便宜,数据量更大)和应用程序(增加新任务的可负担性,3D数据可能有用的新想法)的当前趋势;对自动,可靠和廉价地将单个点云配准在一起的能力的兴趣也相应增加。需要处理的数据量,以及仍然难以实现完全可靠和完全自动的注册,意味着需要进一步创新。一个很大程度上尚未开发的创新领域是利用所讨论的点的{ \em语义信息}。例如,树上的点应该匹配树上的点,而不是汽车上的点。此外,这样的自然限制显然是类似于人类的-人类通常会基于语义快速消除用于匹配的候选区域。使用语义信息不仅高效而且自然。这也是及时的-由于语义分类能力的最新进展。本文提出了这一主题,通过展示最先进的注册技术,特别是那些依赖于“刚性运动下的长度保存”作为一个基本的匹配一致性约束,可以增强语义信息。语义同一性当然也在刚性运动下得以保持,但也在场景中存在的更广泛的运动下得以保持。我们证明,不仅潜在的障碍成本的语义分割,和潜在的障碍的不可靠性的语义分割;都没有障碍,以实现速度和精度在全自动配准的大规模点云。
2022-02-21 cs.CV
A Registration-Based Star-Shape Segmentation Model and Fast Algorithms
School of Mathematical Sciences(数学科学学院);LPMC(理论物理中心);Nankai University(南开大学);Norwegian Research Centre(挪威研究中心)
本文提出一种基于配准框架的星形分割模型,结合水平集表示与约束实现完整/部分星形分割及地标约束,并采用交替方向乘子法求解,数值实验验证了其准确性。
2025-08-11 cs.CV cs.NA math.NA
STAR: A Fast and Robust Rigid Registration Framework for Serial Histopathological Images
School of Biological Science and Medical Engineering, Beihang University, Beijing, China(生物科学与医学工程学院,北航,北京,中国);School of Computer Science and Engineering, Beihang University, Beijing, China(计算机科学与工程学院,北航,北京,中国)
针对系列组织病理图像配准现有方法计算重、难复现且轻量刚性框架不足的问题,提出整合染色预处理、分层配准等策略的开源框架STAR,在多数据集上实现快速鲁棒配准,为临床应用和计算病理数据制备提供支持。
2025-09-03 cs.CV
Fast and Robust Non-Rigid Registration Using Accelerated Majorization-Minimization
University of Science and Technology of China(中国科学技术大学);Cardiff University(卡迪夫大学);Zhejiang University(浙江大学)
非刚性3D配准是计算机视觉中的经典问题,其以非刚性方式使源3D形状变形以与目标3D形状对准。由于数据不完善(噪声、离群值和部分重叠)和高自由度,此类问题可能具有挑战性。现有的方法通常采用$\ell_p$型鲁棒范数来度量对准误差和正则化变形的光滑性,并使用近似算法来解决由此产生的非光滑优化问题。然而,这类算法收敛速度慢,限制了它们的广泛应用。在本文中,我们提出了一个强大的非刚性配准公式的基础上,全局平滑的鲁棒范数对齐和正则化,它可以有效地处理离群值和部分重叠。使用优化最小化算法解决该问题,该算法将每次迭代减少为具有封闭形式解的凸二次问题。我们进一步应用安德森加速来加快求解器的收敛速度,使求解器能够在计算能力有限的设备上有效地运行。大量的实验证明了我们的方法的有效性,两个形状之间的非刚性对齐与离群值和部分重叠,定量评估表明,它优于国家的最先进的方法在配准精度和计算速度。源代码可在https://github.com/yaoyx689/AMM_NRR上获得。
2023-02-19 cs.CV cs.GR
Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration
School of Computer Science, University of Birmingham(伯明翰大学计算机学院);Institute of Cardiovascular Sciences, University of Birmingham(伯明翰大学心血管科学研究所);MRC London Institute of Medical Sciences, Imperial College London(帝国理工学院伦敦医学研究委员会医学科学研究所);Institute of Cancer and Genomic Sciences, University of Birmingham(伯明翰大学癌症与基因组科学研究所)
使用迭代优化的确定性方法在非纯图像配准(DiffIR)中已经取得了历史性的成功。虽然这些方法是高度准确的,但它们通常具有显著的计算负担。基于深度学习的随机方法的最新发展已经实现了DiffIR的亚秒级运行时间,具有竞争力的配准精度,为传统的迭代法提供了快速替代方案。在本文中,我们试图减少这种差异的速度,同时保留性能优势的迭代方法在DiffIR。首先,我们提出了一个简单的迭代方案,功能组成中间的非平稳速度场来处理图像中的大变形,同时保证在所得到的变形的仿射。然后,我们提出了一个凸优化模型,使用正则化项的任意顺序施加平滑这些速度场和解决这个模型的快速算法相结合的Nesterov梯度下降和交替方向的乘法器(ADMM)。最后,我们利用GPU的计算能力在3D心脏MRI数据集上实现了这种加速的ADMM求解器,进一步将运行时间缩短到不到2秒。除了产生严格的同构变形外,我们的方法在骰子和Hausdorff分数方面优于最先进的基于深度学习的方法和迭代DiffIR方法,速度接近基于深度学习的方法的推理时间。
2021-09-26 cs.CV math.DS
CortexMorph: fast cortical thickness estimation via diffeomorphic registration using VoxelMorph
Support Center for Advanced Neuroimaging (SCAN)(高级神经影像支持中心(SCAN));University Institute of Diagnostic and Interventional Neuroradiology(诊断与介入神经放射学大学研究所);Inselspital, Bern University Hospital(伯尔尼大学医院 Inselspital)
针对现有DiReCT皮质厚度估计方法速度慢的问题,提出CortexMorph方法,用无监督深度学习直接回归DiReCT所需形变场,结合深度学习分割模型可秒级估计T1加权图像的区域皮质厚度且保留萎缩检测能力,并在相关数据集和体模上完成验证。
2023-07-21 cs.CV eess.IV q-bio.QM
GeoTransformer: Fast and Robust Point Cloud Registration with Geometric Transformer
National University of Defense Technology(国防科技大学);Sun Yat-sen University(中山大学);Technical University of Munich(慕尼黑工业大学);Siemens AG(西门子股份公司)
本文提出GeoTransformer,通过编码成对距离和三元组角度学习几何特征,实现低重叠场景下无需RANSAC的快速鲁棒点云配准,在3DLoMatch上显著提升内点率和召回率。
2023-07-25 cs.CV