ViGG: Robust RGB-D Point Cloud Registration using Visual-Geometric Mutual Guidance
Beihang University（北航大学）；China Agricultural University（中国农业大学）
ViGG通过视觉-几何互指导策略提升RGB-D点云配准的鲁棒性，优于现有方法。
2025-11-28 cs.CV
Quasi-Newton Solver for Robust Non-Rigid Registration
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）
非刚性配准是计算机视觉中一个经典的挑战性问题，它需要大量的数据（噪声、异常值和部分重叠）和高自由度。现有的方法通常采用$\ell_{p}$型鲁棒估计器来正则化拟合和光滑性，并使用邻近算子来解决由此产生的非光滑问题。然而，这些算法收敛速度慢，限制了它的广泛应用。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，全局平滑的数据拟合和正则化，它可以处理离群值和部分重叠的鲁棒估计。我们应用优化最小化算法的问题，这减少了每次迭代求解一个简单的最小二乘问题与L-BFGS。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/Juyong/Fast_RNRR上获得。
2020-04-09 cs.CV cs.RO
A Comparative Study for Non-rigid Image Registration and Rigid Image Registration
UCLA（加州大学洛杉矶分校）
图像配准算法通常可以分为两组：非刚性和刚性。近年来，许多基于深度学习的算法采用神经网络来表征非刚性图像配准函数。但是，他们总是表现得更好吗？在这项研究中，我们比较了最先进的基于深度学习的非刚性配准方法与刚性配准方法。实验数据来自Kaggle狗对猫比赛\url{https://www.kaggle.com/c/dogs-vs-cats/}，我们测试了算法在刚体变换（包括平移、旋转、缩放、剪切和像素级非刚体变换）上的性能。Voxelmorph分别在刚性和非刚性上进行训练以进行比较，我们还在其原始架构中添加了高斯模糊层以提高配准性能。刚性配准的均方根误差（RMSE）和平均绝对误差（MAE）度量的最佳定量结果由SimpleElastix和Voxelmorph的非刚性配准产生。我们选择具有代表性的样品进行目视评估。
2020-01-12 cs.CV eess.IV
On Efficient and Robust Metrics for RANSAC Hypotheses and 3D Rigid Registration
Northwestern Polytechnical University（西北工业大学）；Chang’an University（长安大学）；Hubei University（湖北大学）；Huazhong University of Science and Technology（华中科技大学）
本文的重点是开发有效的和强大的评估指标RANSAC假设，以实现准确的3D刚性配准。从特征对应关系估计六自由度（6-DoF）姿态仍然是3D刚性配准的流行方法，其中随机样本一致性（RANSAC）是该问题的事实上的选择。然而，现有的RANSAC假设的度量是耗时的或敏感的常见的滋扰，参数变化，和不同的应用场景，导致在整体配准精度和速度的性能恶化。我们首先分析了内点和离群点的贡献，然后针对RANSAC假设提出了几种具有不同设计动机的有效且鲁棒的度量，从而缓解了这个问题。在4个不同干扰和应用场景的标准数据集上进行的对比实验表明，所提出的度量方法能够显著提高配准性能，并且比现有的几种竞争方法具有更好的鲁棒性，是一种实用的方法.这项工作还得出了一个有趣的结论，即，并不是所有的内点都是相等的，而所有的外点应该是相等的，这可能会给这一研究问题带来新的启示。
2020-11-10 cs.CV cs.RO
Improving RGB-D Point Cloud Registration by Learning Multi-scale Local Linear Transformation
Beihang University（北京航空航天大学）；The University of Sydney（悉尼大学）；The University of Hong Kong（香港大学）
点云配准的目的是估计两个点云扫描之间的几何变换，其中逐点对应性估计是其成功的关键。除了先前通过手工制作或学习几何特征来寻求对应关系的方法之外，最近的点云配准方法试图应用RGB-D数据来实现更准确的对应关系。然而，这是不平凡的，有效地融合几何和视觉信息，从这两个不同的模态，特别是配准问题。在这项工作中，我们提出了一个新的几何感知视觉特征提取器（GAVE），它采用多尺度局部线性变换来逐步融合这两种模式，其中来自深度数据的几何特征作为几何相关的卷积核来转换RGB数据的视觉特征。由此产生的视觉几何特征是在规范的特征空间与减轻视觉不相似所造成的几何变化，通过它可以实现更可靠的对应关系。建议的GAVE模块可以很容易地插入到最近的RGB-D点云配准框架。在3D Match和ScanNet上的大量实验表明，即使没有对应关系或姿势监督，我们的方法也优于最先进的点云配准方法。该代码可从以下网址获取：https://github.com/514DNA/LLT。
2022-09-01 cs.CV
Learning Flow-Guided Registration for RGB-Event Semantic Segmentation
Lehigh University（莱维大学）；Qualcomm AI Research（高通AI研究）；City University of Hong Kong（香港城市大学）
针对RGB-事件分割中的时空与模态错位问题，提出流引导双向配准框架BRENet，利用光流和事件时间特征生成像素配对，并引入MET表示，在四个数据集上验证了有效性。
2025-09-25 cs.CV
F2M-Reg: Unsupervised RGB-D Point Cloud Registration with Frame-to-Model Optimization
National University of Defense Technology（国防科技大学）；Xiangjiang Laboratory（湘江实验室）；Defense Innovation Institute, Academy of Military Sciences（国防科技创新院）
本文提出F2M-Reg框架，通过神经隐式场构建全局模型优化帧位姿，解决无监督RGB-D点云配准中帧间不一致导致的收敛次优问题，显著提升配准鲁棒性。
2025-05-01 cs.CV
RGBD-Glue: General Feature Combination for Robust RGB-D Point Cloud Registration
Beihang University（北京航空航天大学）；Beijing Institute of Spacecraft System Engineering（北京空间飞行器总体设计部）
针对RGB-D点云配准中特征融合的弱点，提出基于变换一致性过滤器和自适应阈值的特征组合框架，提升对应关系准确性，在ScanNet和3DMatch上达到最先进性能。
2024-08-21 cs.CV
Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment
The Australian National University（澳大利亚国立大学）
本文回顾了经典的自由曲线配准问题，并将其应用于一个高效的RGBD视觉里程计系统Canny-VO，因为它有效地跟踪所有的Canny边缘特征提取的图像。提出了两种常用的边缘配准中的距离变换的替代方法：近似最近邻场和定向最近邻场。3D 2D边缘对齐在效率和精度方面受益于这些替代配方。它消除了对数据模型配准、双线性插值和次梯度计算等计算要求更高的范例的需要。为了确保鲁棒性的系统中存在的离群值和传感器噪声，配准制定为一个最大后验问题，并由此产生的加权最小二乘目标是通过迭代重新加权最小二乘方法来解决。研究了多种鲁棒权函数，并根据残差的统计量进行了最优选择。效率进一步提高了一个自适应采样的定义最近的邻居领域。对公共SLAM基准序列的广泛评估展示了最先进的性能和优于经典欧几里得距离场的优势。
2020-12-16 cs.CV cs.RO
Point Cloud Registration Based on Consistency Evaluation of Rigid Transformation in Parameter Space
我们可以使用一种称为配准的方法来整合一些代表真实世界形状的点云。在本文中，我们提出了高精度和稳定的注册方法。我们的方法从点云中检测关键点，并使用多个描述符生成三元组。此外，我们的方法评估的刚性转换参数的一致性，每个三元组与直方图，并获得点云之间的刚性转换。在本文的实验中，我们的方法具有最小的误差，没有重大的失败。结果，与比较方法相比，我们获得了足够准确和稳定的配准结果。
2020-11-10 cs.CV
Robust Rigid and Non-Rigid Medical Image Registration Using Learnable Edge Kernels
Department of Mathematics, University of Innsbruck（因斯布鲁克大学数学系）；Department of Radiology, Medical University of Innsbruck（因斯布鲁克医学大学放射学系）；Neuroimaging Research Core Facility, Medical University of Innsbruck（因斯布鲁克医学大学神经影像研究核心设施）
本文提出了一种结合可学习边缘核的刚性和非刚性医学图像配准方法，通过自适应边缘检测提升多模态图像对齐和解剖结构分析的性能。
2025-12-01 cs.CV
Rigid Point Registration with Expectation Conditional Maximization
研究了计算机模拟图像中基于最大似然原理的点配准问题，实现了刚性三维目标点与二维图像点的匹配。在将三维坐标转换为二维坐标时，透视投影是必不可少的。然后，该问题重新转换为缺失数据框架，其中通过混合模型处理未知的对应关系。采用期望条件最大化配准算法（ECMPR），对旋转和平移两种不同的优化算法进行了比较。我们详细分析了相关的后果，在理论和实验上的注册参数的估计。
2018-03-07 cs.CV
PointVGGT: Zero-Shot Multiview RGB-D Point Cloud Registration with Visual Geometry Foundation Priors
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
本文提出PointVGGT框架，采用“先基础后优化”范式，利用视觉几何基础模型VGGT实现零样本多视图RGB-D点云配准，在多类数据集上验证了其高精度与高效性。
2026-10-09 cs.CV
Registration-Free Hyperspectral Reconstruction from RGB via a Permutation-Invariant Gram-Matrix Principle
该研究提出基于置换不变Gram矩阵原理的方法，无需配准、已知相机响应函数或配对监督，可从RGB直接重建高光谱图像，性能与需严格假设的方法相当且鲁棒性强。
2026-08-18 cs.CV
Deep Convolutional Neural Network for Non-rigid Image Registration
Simon Fraser University（西蒙弗雷泽大学）
在不同时间或位置拍摄的图像会经历旋转、缩放、倾斜等变换。对准已经经历变换的不同图像的过程可以经由配准来完成。当分析时间序列数据以跟踪、平均或鉴别疾病诊断时，配准是期望的。对于刚性（包括线性或仿射）变换存在有效的配准方法;然而，对于非刚性（也称为非仿射）变换，当前方法在计算上昂贵且耗时。在本报告中，我将探索深度神经网络（DNN），更具体地说，深度卷积神经网络（CNN）有效执行非刚性图像配准的能力。实验结果表明，一个CNN可以用于有效的非刚性图像配准，并在显着更少的计算时间比传统的同构恶魔或金字塔的方法。
2021-04-24 cs.CV eess.IV
Deep Graph-based Spatial Consistency for Robust Non-rigid 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）
研究了非刚性点云配准中的离群点对应修剪问题。在刚性配准中，空间一致性一直是区分离群点和内点的常用标准。它通过两个点云中各自距离之间的差异来衡量两个对应关系的兼容性。然而，空间一致性不再持有在非刚性的情况下和离群拒绝非刚性配准还没有得到很好的研究。在这项工作中，我们提出了基于图的空间一致性网络（GraphSCNet）过滤非刚性配准的离群值。我们的方法是基于这样一个事实，即非刚性变形通常是局部刚性的，或局部形状保持。首先，我们设计了一个局部空间一致性措施的变形图的点云，它评估的空间兼容性之间的对应关系在附近的一个图形节点。然后设计了一个基于注意力的非刚性对应嵌入模块，从局部空间一致性中学习非刚性对应的鲁棒表示。尽管它很简单，但GraphSCNet有效地提高了假定对应的质量，并在三个具有挑战性的基准测试中达到了最先进的性能。我们的代码和模型可以在https://github.com/qinzheng93/GraphSCNet上找到。
2023-03-17 cs.CV
Non-rigid 3D Shape Registration using an Adaptive Template
University of York（约克大学）
提出了一种新的全自动非刚性三维形状配准方法（变形）框架，包括（1）新的3D地标和姿态归一化方法;（2）自适应形状模板方法，用于加速配准算法的收敛并实现更好的最终形状对应;（3）结合迭代最近点和相干点漂移（CPD）的新的迭代配准方法我们称这种新的变形方法为迭代相干点漂移（ICPD）。我们提出的框架进行了定性和定量评估三个数据集，并与其他几种方法进行了比较。所提出的框架，以提供国家的最先进的性能。
2018-09-22 cs.CV
Rigid and Articulated Point Registration with Expectation Conditional Maximization
INRIA Grenoble Rhône-Alpes（法国国立信息学与自动化研究院格勒诺布尔罗讷-阿尔卑斯分院）；University of Hong Kong（香港大学）
本文讨论了通过概率点配准匹配刚性和铰接形状的问题。这个问题被重新转换成一个缺失的数据框架，其中未知的对应关系通过混合模型处理。采用最大似然原理，我们介绍了一种创新的EM类算法，即期望条件最大化点配准（ECMPR）算法。该算法允许对混合模型分量使用通用协方差矩阵，并改进了各向同性协方差的情况。我们详细分析了相关的后果，在估计的注册参数，我们提出了一种最佳的方法，用于估计的旋转和平移参数的基础上半定正松弛。我们将刚性配准扩展到关节配准。通过在高斯混合模型中添加均匀分量来检测和拒绝离群值，从而确保鲁棒性。我们提供了一个深入的分析我们的方法，我们比较它在理论上和实验上与其他强大的点配准方法。
2020-12-09 cs.CV
PROSE: Training-Free Egocentric Scene Registration with Vision-Language Models
ETH Zurich（苏黎世联邦理工学院）；VGG, University of Oxford（牛津大学VGG实验室）；ETH AI Center（苏黎世联邦理工学院人工智能中心）
提出PROSE方法，利用预训练视觉语言模型将RGB序列提升为对象级3D场景图，通过对象高度先验和相同/不同查询匹配实例，无需训练或深度传感器即可实现自我中心场景配准，在Aria基准上超越几何和场景图基线。
2026-10-15 cs.CV cs.RO
Non-Rigid Image Registration Using Self-Supervised Fully Convolutional Networks without Training Data
Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
一种新的非刚性图像配准算法是建立在全卷积网络（FCN）优化和学习空间变换之间的图像对注册在自监督学习框架。与大多数现有的基于深度学习的图像配准方法不同，这些方法从具有已知对应空间变换的训练数据学习空间变换，我们的方法通过最大化固定和变形运动图像之间的图像相似性度量来直接估计图像对之间的空间变换，类似于传统的图像配准算法。图像配准在多分辨率图像配准框架中实现，以通过典型的前馈和反向传播计算，通过深度自我监督，联合优化和学习不同空间分辨率的空间变换和FCN。所提出的方法已被评估为注册三维结构脑磁共振（MR）图像，并获得了更好的性能比国家的最先进的图像配准算法。
2018-01-11 cs.CV
UniRiT: Towards Few-Shot Non-Rigid Point Cloud Registration
Nanyang Technological University（南洋理工大学）；Shandong University（山东大学）
针对少样本非刚性点云配准难题，提出将复杂变换分解为刚性与微小非刚性变换的UniRiT框架，采用两步配准策略，构建MedMatch3D数据集与基准，性能较现有最优方法提升94.22%。
2024-10-30 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
Non-rigid Point Cloud Registration with Neural Deformation Pyramid
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
非刚性点云配准是许多计算机视觉和计算机图形学应用中的关键组成部分。未知的非刚性运动的高度复杂性使得这项任务具有挑战性的问题。在本文中，我们打破了这个问题，通过分层运动分解。我们的方法称为神经变形金字塔（NDP）表示使用金字塔架构的非刚性运动。由多层感知（MLP）表示的每个金字塔级别将正弦编码的3D点作为输入，并输出其从前一级别开始的运动增量。正弦函数以低输入频率开始，并随着金字塔等级下降而逐渐增加。这允许多级刚性到非刚性运动分解，并且与现有的基于MLP的方法相比，还将求解速度提高了50倍。我们的方法在4DMatch/4DLoMatch基准测试中实现了先进的部分到部分非刚性点云配准结果，无论是在无学习和监督设置下。
2022-10-05 cs.CV
RGB-Topography and X-rays Image Registration for Idiopathic Scoliosis Children Patient Follow-up
University of Science and Technology Houari Bouemadiene USTHB（胡阿里·布迈丁科学技术大学（USTHB））；Research Center on Scientific and Technical Information, CERIST（科学技术信息研究中心（CERIST））；Specialized Hospital Bounaama Djilali, CHU Douera（杜埃拉大学医院布纳马·吉拉利专科医院）；Saad Dahleb University（萨阿德·达赫莱布大学）；Center of Development of Advanced Technologies, CDTA（先进技术发展中心（CDTA））
诊断为脊柱侧凸病理的儿童在每次X射线诊断的随访期间暴露于离子辐射。这种暴露可能对患者的健康产生负面影响，并在成年时引起疾病。为了减少X射线扫描，最近的系统仅使用RGB图像来提供脊柱侧凸患者的诊断。这种系统的输出是一组增强图像和脊柱侧凸相关角度。然而，这些角度由于数量众多而使医生感到困惑。此外，缺乏X射线扫描使得医生无法比较RGB和X射线图像，并决定是否减少X射线曝光。在这项工作中，我们利用在临床诊断过程中捕获的脊柱侧凸的RGB图像，以及患者提供的X射线硬拷贝，以配准这两种图像，并提供丰富的诊断比较。工作包括，首先，建立单模态（背部的RGB拓扑）和多模态（RGB和X射线）图像数据库，然后根据患者标志配准图像，最后混合配准图像进行视觉分析和医生随访。所提出的注册是基于一个刚性的变换，保留患者的背部的拓扑结构。刚性变换的参数使用颈椎7的所提出的角度最小化以及源和目标诊断的后上髂棘标志来估计。在构建的数据库上进行的实验表明，与使用基于方程系统求解的注册相比，使用我们提出的方法进行的单模态和多模态注册更好。
2020-03-20 cs.CV eess.IV
Multiresolution Search of the Rigid Motion Space for Intensity Based Registration
Chalmers University of Technology（查尔姆斯理工大学）；MedTech West（西部医疗技术中心）
我们研究了刚性变换类的低分辨率和高分辨率基于强度的配准的目标函数之间的关系。我们的研究结果表明，低分辨率的目标值可以紧密约束高分辨率的目标函数在自然图像。这有助于分析和更好地理解多分辨率图像配准的过程。它也给出了一个指导方针，设计多分辨率算法，其中的搜索空间在较高的分辨率配准是有限的适应度值为较低的分辨率图像对。为了证明这一点，我们将我们的多分辨率技术到Lipschitz全局优化框架。我们表明，使用多分辨率方案可以导致这些算法的效率大幅提高。该方法通过应用于2D和3D配准问题以及2D和3D图像中反射对称性的检测进行评估。
2015-10-14 cs.CV
DualReg: Dual-Space Filtering and Reinforcement for Rigid Registration
University of Science and Technology of China（中国科学技术大学）；City University of Hong Kong（香港城市大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出DualReg方法，结合特征匹配和几何匹配的优势，通过高效过滤和优化算法提升刚体配准的准确性和效率，实验显示在KITTI数据集上速度提升32倍。
2026-04-02 cs.CV cs.RO
A Survey of Non-Rigid 3D Registration
Cardiff University（卡迪夫大学）；University of Science and Technology of China（中国科学技术大学）；Università della Svizzera italiana（瑞士意大利语区大学）
非刚性配准以非刚性方式计算源表面与目标表面之间的对准。在过去的十年中，随着三维传感技术的进步，可以测量随时间变化的表面，非刚性配准已被应用于可变形形状的获取，并有广泛的应用。本调查提出了一个全面的审查非刚性注册方法的三维形状，侧重于技术相关的动态形状采集和重建。特别是，我们审查不同的方法表示的变形场，和计算所需的变形的方法。包括基于优化和基于学习的方法。我们还回顾了用于评估非刚性配准方法的基准和数据集，并讨论了未来潜在的研究方向。
2022-03-16 cs.CV cs.GR cs.LG
Non-rigid Registration Method between 3D CT Liver Data and 2D Ultrasonic Images based on Demons Model
Shanghai United-imaging Healthcare Co., Ltd（上海联影医疗科技有限公司）；Southeast University（东南大学）
肝脏CT数据与超声图像之间的非刚性配准可以方便诊断和治疗，近年来得到了广泛的研究。为了提高Demons模型在三维CT肝脏数据与二维超声图像非刚性配准中的配准精度，提出了一种新的极坐标系下基于径向局部直觉模糊熵的边界提取与增强方法，并给出了一种新的配准流程。实验表明，该方法能够获得高精度的配准结果。实验结果表明，该方法的准确性高于原始Demons方法和使用Field II模拟超声图像的Demons方法。我们配准工作流程的操作时间约为30秒，可用于手术。
2019-12-31 cs.CV eess.IV
Geodesic squared exponential kernel for non-rigid shape registration
INRIA（法国国家信息与自动化研究所）；QuantifiCare（QuantifiCare 公司）
这项工作解决了3D扫描的非刚性配准问题，这是形状建模技术的核心。首先，我们提出了一个新的核的基础上测地线距离的高斯过程变形模型（GPMM）框架。在内核中使用测地线距离使其更适合曲面的拓扑和几何特征，并导致孔和弯曲区域周围更逼真的变形。由于内核拥有超参数，我们已经针对FaceWarehouse数据集上的人脸注册任务对其进行了优化。我们表明，在FaceWarehouse数据集的所有20个表情上，Geodesic平方指数内核的人脸配准任务明显优于最先进的内核。其次，我们提出了一个修改的损失函数中使用的非刚性ICP配准算法，允许加权的对应关系，根据他们的信心。作为一个用例，我们证明了我们可以使配准对3D扫描中的离群值（如非皮肤部分）更具鲁棒性。
2021-12-22 cs.CV
MSR:Hybrid Field Modeling for CT-MRI Rigid-Deformable Registration of the Cervical Spine with an Annotated Dataset
School of Biomedical Engineering, Southern Medical University, Guangzhou, 510515, China.（南方医科大学生物医学工程学院）；Guangdong Provincial Key Laboratory of Medical Image Processing, Guangzhou, 510515, China.（广东省医学图像处理重点实验室）；Guangdong Province Engineering Laboratory for Medical Imaging（广东省医学影像与诊断技术工程实验室）；Information Center, Nanfang Hospital, Southern Medical University, Guangzhou, 510515, China.（南方医科大学南华医院信息中心）；Division of Spine Surgery, Department of Orthopaedics, Nanfang hospital, Southern Medical University, Guangzhou, Guangdong, 510515, China.（南方医科大学南华医院骨科脊柱外科）
本文提出MSR框架，通过混合刚-变形配准方法提升颈椎脊柱CT-MRI配准精度，解决复杂结构配准难题。
2026-04-30 cs.CV
An Energy Minimization Approach to 3D Non-Rigid Deformable Surface Estimation Using RGBD Data
Clemson University（克莱姆森大学）
我们提出了一种算法，使用能量最小化估计当前配置的非刚性对象。我们的方法利用RGBD图像来计算相应的SURF特征，深度和边界信息。我们不使用预先确定的特征，从而使我们的系统能够对未修改的对象进行操作。我们的方法依赖于一个三维非线性能量最小化框架，以解决使用半隐式计划的配置。结果显示了不同配置的动态海报和衬衫的各种场景，以说明该方法的性能。特别是，我们表明，我们的方法是能够估计的无纹理非刚性物体的配置没有对应。
2017-08-02 cs.CV cs.RO
GiNGR: Generalized Iterative Non-Rigid Point Cloud and Surface Registration Using Gaussian Process Regression
University of Basel（巴塞尔大学）
在本文中，我们统一流行的点集和曲面的非刚性配准方法在我们的一般框架，GiNGR。GiNGR建立在高斯过程变形模型（GPMM）的基础上，因此将变形建模与配准模型自适应分离开来。此外，它还提供了可解释的超参数、多分辨率配准、专家注释的简单包含，以及使用和组合分析和统计变形先验的能力。但更重要的是，重新表述允许对登记方法进行直接比较。而不是在优化步骤中使用一般的求解器，我们展示了高斯过程回归（GPR）如何迭代地将参考扭曲到目标上，从而以原则性的方式在任何密集，稀疏或部分估计的对应关系之前平滑变形。我们展示了如何流行的CPD和ICP算法可以直接与GiNGR解释。此外，我们展示了GiNGR框架中的现有算法如何执行概率注册，以获得不同注册的分布，而不是单个最佳注册。这可以用于分析不确定性，例如在记录部分观测时。GiNGR是公开可用的，完全模块化，允许特定领域的事先构建。
2022-03-18 cs.CV
Uncertainty quantification in non-rigid image registration via stochastic gradient Markov chain Monte Carlo
Imperial College London（帝国理工学院）；Technische Universität München（慕尼黑工业大学）；Sharif University of Technology（谢里夫理工大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
我们开发了一个新的贝叶斯模型的三维医学图像的非刚性配准，重点是不确定性量化。由于计算和建模的原因，用校准的不确定性估计对大图像进行概率配准是困难的。为了解决计算问题，我们探索马尔可夫链蒙特卡罗反向传播和变分推理反向传播框架之间的连接，以有效地从后验分布的变换参数提取样本。为了解决建模问题，我们制定了一个贝叶斯模型的图像配准，克服了现有的障碍时，使用密集的，高维的，同构变换参数化。这导致不确定性估计的改进校准。我们将该模型在图像配准精度和不确定性量化方面与VoxelMorph进行了比较，VoxelMorph是一种基于深度学习的最先进的图像配准模型。
2021-10-25 cs.CV
Robust Non-Rigid Registration with Reweighted Position and Transformation Sparsity
Tianjin University（天津大学）；Cardiff University（卡迪夫大学）
非刚性配准是具有挑战性的，因为它是具有高自由度的不适定的，因此对噪声和离群值敏感。我们提出了一种鲁棒的非刚性配准方法，使用重新加权稀疏的位置和变换来估计3-D形状之间的变形。我们制定的能量函数的位置和变换稀疏的数据项和光滑项，并定义了使用局部刚性的光滑约束。基于双稀疏的非刚性配准模型的增强与重加权计划，并解决了该模型转化为四个交替优化的子问题，有精确的解决方案和保证收敛。在公共数据集和真实扫描数据集上的实验结果表明，该方法的性能优于现有的方法，并且比传统的非刚性配准方法对噪声和离群点更具鲁棒性。
2019-06-19 cs.CG cs.CV cs.GR
Learning accurate rigid registration for longitudinal brain MRI from synthetic data
1 Division of Biomedical Imaging, KTH Royal Institute of Technology, Huddinge, Sweden 2 Athinoula A.\ Martinos Center for Biomedical Imaging, Charlestown, USA 3 Department of Radiology, Massachusetts General Hospital, Boston, USA 4 Department of Radiology, Harvard Medical School, Boston, USA 5 Computer Science \& Artificial Intelligence Laboratory, MIT, Cambridge, USA
本文提出了一种基于合成数据训练的模型，用于提高纵向脑部MRI刚体配准的准确性。
2025-01-22 cs.CV eess.IV
Adaptive Regularization of Ill-Posed Problems: Application to Non-rigid Image Registration
Oregon Health and Science University（俄勒冈健康与科学大学）；School of Medicine（医学院）；Department of Science and Engineering（科学与工程系）
我们介绍了一种自适应正则化方法。与传统的Tikhonov正则化，它指定了一个固定的正则化算子，我们估计它同时与参数。从贝叶斯的角度来看，我们估计参数的先验分布，假设它接近某个给定的模型分布。我们将先验分布约束为高斯-马尔可夫随机场（GMRF），这使我们能够解析地求解先验分布并提供快速优化算法。我们将我们的方法应用于非刚性图像配准，以估计两幅图像之间的空间变换。我们的评估表明，自适应正则化方法显着优于标准变分方法。
2009-06-17 cs.CV
HDFD --- A High Deformation Facial Dynamics Benchmark for Evaluation of Non-Rigid Surface Registration and Classification
Cardiff University（卡迪夫大学）；Swansea University（斯旺西大学）
经历非刚性变形的对象在现实世界中是常见的。一个典型的和具有挑战性的例子是人类的面孔。虽然已经开发了用于可变形形状配准和分类的各种技术，但是具有适合于评估这种技术的详细标签和地标的基准仍然有限。在本文中，我们提出了一种新的面部动态数据集HDFD，它解决了现有数据集的差距，包括4D有趣的脸与大量的非等距变形，和4D视听脸的口语短语在少数民族语言（威尔士语）。这两个数据集都是从21名参与者中采集的。这些序列是手动标记的，由威尔士专家进一步对口语短语的流利程度进行评级。这些对于配准和分类任务的定量评估是有用的。我们进一步开发了一种方法来评估几个最近的非刚性表面配准技术，使用我们的动态序列作为测试用例。这项研究表明了我们的新数据集的意义和实用性-一个具有挑战性的基准数据集，为未来的技术。
2018-07-09 cs.CV
Nuclei-Location Based Point Set Registration of Multi-Stained Whole Slide Images
University of Warwick（华威大学）
本文提出一种基于细胞核定位的点集配准方法，用于解决多染色全切片图像在细胞核水平的局部非刚性配准难题，并在HYRECO数据集上验证了其优于现有算法。
2024-04-25 cs.CV
PWR-Align: Leveraging Part-Whole Relationships for Part-wise Rigid Point Cloud Registration in Mixed Reality Applications
GridRaster Inc.（GridRaster公司）
针对混合现实中由刚性部件组成的物体的非刚性形变配准问题，提出PWR-Align工作流，利用部分-整体关系实现基于Microsoft HoloLens 2的逐部件刚性点云配准，可适配不同位形。
2023-06-11 cs.CV cs.GR
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
Robust Rigid Point Registration based on Convolution of Adaptive Gaussian Mixture Models
University of Edinburgh（爱丁堡大学）
在复杂环境中稳健、准确地匹配三维刚性点云仍然是许多应用中使用的核心技术。本文提出了一种新的架构相结合的样本协方差误差估计和双全局概率对齐的基础上卷积的自适应高斯混合模型（GMM）从点云。首先，一种新的自适应GMM定义从相应的点的概率分布。然后通过最大化整个2D或3D空间中双自适应GMM卷积的全局概率来执行刚性点云对齐，可以高效优化并具有大的准确收敛区域。在来自公共2D和3D数据集的200个模型上进行了数千次试验，以证明在具有不可预测的噪声、离群值、遮挡、初始旋转、形状和缺失点的复杂环境中具有出色的鲁棒性和准确性。
2017-07-26 cs.AI cs.CV cs.RO
Non-rigid image registration using fully convolutional networks with deep self-supervision
University of Pennsylvania（宾夕法尼亚大学）
我们提出了一种新的非刚性图像配准算法，该算法建立在全卷积网络（FCN）上，以优化和学习待配准图像对之间的空间变换。与大多数现有的基于深度学习的图像配准方法不同，这些方法从具有已知对应空间变换的训练数据学习空间变换，我们的方法通过最大化固定和变形运动图像之间的图像相似性度量来直接估计图像对之间的空间变换，类似于传统的图像配准算法。同时，我们的方法还学习了用于在待配准图像的相同空间分辨率下编码空间变换的FCN，而不是学习粗粒度的空间变换信息。图像配准在多分辨率图像配准框架中实现，以通过典型的前馈和反向传播计算，通过深度自我监督，联合优化和学习不同分辨率的空间变换和FCN。由于我们的方法同时优化和学习图像配准的空间变换，我们的方法可以直接用于配准一对图像，一组图像的配准也是一个训练过程的FCNs，使训练的FCNs可以直接采用新的图像通过前馈计算学习的FCNs没有任何优化。所提出的方法已被评估为注册三维结构脑磁共振（MR）图像，并获得了更好的性能比国家的最先进的图像配准算法。
2017-09-04 cs.CV
An Improved Discriminative Optimization for 3D Rigid Point Cloud Registration
National University of Defense Technology（国防科技大学）
判别优化（DO）算法在三维点云配准中取得了很好的效果。在原始DO中，两点云的特征（描述符）被定义为直方图，直方图的元素指示模型点的“前”或“后”侧的场景点的权重。在本文中，我们扩展了直方图表示的边从“前-后”到“前-后”，“上-下”，“顺时针-逆时针”。此外，我们根据模型点的分布情况对扩展直方图进行了重新加权。我们在斯坦福兔子和牛津SensatUrban数据集上评估了所提出的改进的DO，并将其与六种经典的最先进的点云配准算法进行了比较。实验结果表明，该算法在点配准精度和均方根误差方面具有相当的性能。
2021-04-18 cs.CV
Point-Set Registration: Coherent Point Drift
Oregon Health and Science University（俄勒冈健康与科学大学）
点集配准是许多计算机视觉任务中的关键组成部分。点集配准的目标是分配两组点之间的对应关系，并恢复将一个点集映射到另一个点集的变换。非刚性空间变换未知、点集维数大、噪声和离群点等因素使得点集配准成为一个具有挑战性的问题。我们介绍了一种概率方法，称为相干点漂移（CPD）算法，刚性和非刚性点集注册。我们认为两个点集的对齐是一个概率密度估计问题。我们通过最大化可能性来将GMM质心（代表第一个点集）拟合到数据（第二个点集）。我们强制GMM质心作为一个组一致地移动，以保持点集的拓扑结构。在刚性的情况下，我们施加的相干性约束的GMM质心位置与刚性参数的重新参数化，并推导出一个封闭形式的解决方案的最大化步骤的EM算法在任意尺寸。在非刚性的情况下，我们施加的相干约束，通过正则化的位移场，并使用变分法推导出的最佳变换。我们还介绍了一种快速算法，降低了方法的计算复杂度线性。我们在存在噪声、离群值和缺失点的情况下测试了CPD算法的刚性和非刚性变换，其中CPD显示出准确的结果，并且优于当前最先进的方法。
2009-05-15 cs.CV
Partial Wasserstein Adversarial Network for Non-rigid Point Set Registration
Wuhan University（武汉大学）
给定两个点集，配准的问题是恢复将一个点集匹配到另一个点集的变换。由于存在大量的离群值，未知的非刚性变形和大尺寸的点集，这项任务是具有挑战性的。为了获得强大的鲁棒性对离群值，我们制定的注册问题作为一个部分分布匹配（PDM）的问题，其中的目标是部分匹配的点集在度量空间中表示的分布。为了处理大的点集，我们提出了一个可扩展的PDM算法，利用有效的部分Wasserstein-1（PW）的差异。具体来说，我们得到的康托洛维奇-鲁宾斯坦对偶PW差异，并显示其梯度可以明确计算。基于这些结果，我们提出了一个部分Wasserstein对抗网络（PWAN），它能够近似PW差异的神经网络，并通过梯度下降最小化它。此外，它还结合了一个有效的相干正则化的非刚性变换，以避免不切实际的变形。我们评估PWAN在实际点集注册任务，并表明，所提出的PWAN是强大的，可扩展的，比国家的最先进的方法更有利。
2022-03-04 cs.CV
VF-NeRF: Viewshed Fields for Rigid NeRF Registration
Tel Aviv University（特拉维夫大学）
针对无原始相机位姿的 NeRF 刚性配准问题，本文提出视域场 VF 以表征三维点被相机观测的可能性，并将其用于配准各阶段，在多类数据集上达到 SOTA。
2024-04-04 cs.CV
Linearly Converging Quasi Branch and Bound Algorithms for Global Rigid Registration
Duke University（杜克大学）
近年来，一些分支定界（BnB）算法已被提出来全局优化刚性配准问题。在本文中，我们提出了一个通用的框架，以改善BNB的方法，我们称之为准BNB。准BnB取代BnB算法中使用的线性下界与二次准下界的基础上的二次行为的能量在附近的全局最小值。虽然准下界不是真正的下界，但Quasi-BnB算法是全局最优的。事实上，我们证明，它具有线性收敛-它达到$ε$ -准确性在$~O(\log(1/ε)) $时间，而其他刚性配准BNB算法的时间复杂度是多项式在$1/ε$。我们的实验验证，准BnB是显着更有效的比国家的最先进的BnB算法，特别是在需要高精度的问题。
2019-04-14 cs.CG cs.CV
Coarse-to-Fine Non-rigid Multi-modal Image Registration for Historical Panel Paintings based on Crack Structures
Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃朗根-纽伦堡大学）
本文提出了一种基于裂缝结构的粗到细非刚性多模态图像配准方法，利用稀疏关键点和薄板样条实现高精度的历史面板绘画图像配准。
2026-01-22 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
3D non-rigid registration using color: Color Coherent Point Drift
University of Alicante（阿利坎特大学）；Univ. of Edinburgh（爱丁堡大学）
近年来，利用计算机视觉技术对物体变形的研究一直处于激烈的研究之中。一种广泛使用的技术是3D非刚性配准，以估计变形结构的两个实例之间的变换。尽管在这一问题上有许多先前的发展，但它仍然是一个具有挑战性的问题。在本文中，我们提出了一种新的方法来非刚性配准结合两个数据空间，以鲁棒地计算两个数据集之间的对应关系和转换。特别是，我们使用点颜色和3D位置，因为这些是RGB-D相机的常见输出。我们提出了颜色相干点漂移（CCPD）算法（CPD方法的扩展[1]）。使用合成和真实数据进行评估。合成数据包括允许评估噪声、离群值和缺失数据的影响的简单形状。此外，使用Blensor获得的逼真的数字进行评价。使用通用Primesense胭脂红传感器采集的真实数据用于验证真实形状的CCPD。对于所有的测试，所提出的方法相比，在大多数情况下，在注册精度显示更好的结果，原来的CPD。
2018-02-05 cs.CV
Robust Real-time RGB-D Visual Odometry in Dynamic Environments via Rigid Motion Model
Seoul National University（首尔大学）
本文提出了一种基于场景流更新刚体运动模型的动态环境下鲁棒实时的【形】视觉里程计。该算法包括空间运动分割和时间运动跟踪。空间分割首先通过使用基于网格的场景流生成几个运动假设，并对提取的运动假设进行聚类，分离彼此独立移动的对象。此外，我们使用一个双模式的运动模型，始终区分静态和动态部分的时间运动跟踪阶段。最后，该算法估计的相机的姿态，利用该区域分类为静态部分。为了评估动态刚性物体存在下的视觉里程计的性能，我们使用包含RGB-D图像和运动捕获数据的自收集数据集作为地面实况。我们比较我们的算法与最先进的视觉里程计算法。验证结果表明，该算法可以在动态环境中鲁棒和准确地估计相机的位姿。
2019-07-19 cs.CV cs.RO
SA-DNet: A on-demand semantic object registration network adapting to non-rigid deformation
Yunnan Normal University（云南师范大学）；University of Nottingham Ningbo China（宁波诺丁汉大学）；Aba Teachers University（阿坝师范学院）
图像配准作为红外与可见光图像融合前的一个重要处理步骤，其性能的好坏直接关系到两幅图像能否在正确的空间位置融合。在实际场景中，不同的成像设备可能会导致视角或镜头之间的时间间隔发生变化，使得红外和可见光图像的空间关系显著非刚性。即使匹配了大量的特征点，配准精度仍然可能不够，影响图像融合和其他视觉任务的结果。为了缓解这个问题，我们提出了一个语义感知的按需配准网络（SA-DNet），其主要目的是通过设计语义感知模块（SAM）和HOL-Deep混合匹配模块（HDM）将特征匹配过程限制在语义感兴趣区域（sROI）。利用TPS对红外图像和可见光图像进行变换，得到sROI中对应的特征点，然后利用图像融合模块（IFM）对配准后的图像进行融合，实现功能完备的配准融合网络。此外，我们指出，对于不同的需求，这种类型的方法允许我们选择语义对象的特征匹配需要和完成特定的任务注册的基础上的特定要求。为了证明SA-DNet对非刚性失真的鲁棒性，我们通过将SA-DNet与五种最先进的红外和可见光图像特征匹配方法进行比较进行了广泛的实验，实验结果表明，我们的方法更好地适应图像中存在的非刚性失真，并提供语义配准良好的图像。
2022-10-26 cs.CV
Point Cloud Registration of non-rigid objects in sparse 3D Scans with applications in Mixed Reality
Liverpool John Moores University（利物浦约翰摩尔大学）
点云配准是指将两个三维点云中的对应点对准同一物体的问题。挑战包括处理噪声和真实世界3D扫描的部分匹配。对于非刚性对象，存在考虑在两次3D扫描之间发生在对象上的对象形状的变形的额外挑战。在这个项目中，我们研究了增强/混合现实领域中用例的非刚性点云配准问题。我们将注意力集中在一类特殊的非刚性变形上，这些变形发生在刚性物体中，这些物体的部件在关节周围相对于彼此移动，例如，带手的机器人和带铰链的机器。我们提出了一个有效的和强大的点云注册工作流程，这些对象和使用Microsoft Hololens 2，一个领先的混合现实设备收集的真实世界的数据进行评估。
2023-01-05 cs.CV cs.GR cs.HC
Accurate Ground-Truth Depth Image Generation via Overfit Training of Point Cloud Registration using Local Frame Sets
Seoul National University（首尔国立大学）；Soongsil University（崇实大学）
精确的三维感知是若干计算机视觉应用中的基本任务。最近，商业RGB深度（RGB-D）相机由于其高效的深度感测能力而被广泛采用作为单视图深度感测设备。然而，由于来自单视图环境的固有噪声，大多数RGB-D传感器的深度质量仍然不足。最近，一些研究集中在RGB-D相机的单视图深度增强上。最近的研究提出了基于深度学习的方法，通常使用高质量的监督深度数据集来训练网络，这表明真值（GT）深度数据集的质量是精确系统的最重要因素;然而，这种高质量的GT数据集很难获得。在这项研究中，我们开发了一种基于RGB-D流数据集的高质量GT深度生成的新方法。首先，我们将局部空间区域中的连续深度帧定义为局部帧集。然后，使用无监督点云配准方案将深度帧与局部帧集中的某个帧对齐。基于过拟合训练方案来训练配准参数，该过拟合训练方案主要用于为每个帧集构造单个GT深度图像。最终的GT深度数据集是使用几个局部框架集构建的，每个局部框架集都是独立训练的。本研究的主要优点是，可以在各种扫描环境下仅使用RGB-D流数据集构建高质量的GT深度数据集。此外，我们提出的方法可以作为一个新的基准GT数据集的准确性能评估。我们在以前基准的GT深度数据集上评估了我们的GT数据集，并证明了我们的方法优于最先进的深度增强框架。
2022-07-26 cs.CV
