Deep Learning based Inter-Modality Image Registration Supervised by Intra-Modality Similarity
Northwestern Polytechnical University（西北工业大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Shanghai United Imaging Intelligence Co., Ltd（上海联影智能有限公司）；Shanghai Jiao Tong University（上海交通大学）
非刚性模态间配准可以促进来自不同模态的准确信息融合，但是由于跨模态的非常不同的图像外观，因此具有挑战性。在本文中，我们提出了训练一个非刚性的模态间图像配准网络，它可以直接预测从输入的多模态图像，如CT和MR图像的变换场。特别是，我们的模态间配准网络的训练是由基于可用配对数据的模态内相似性度量来监督的，该配对数据来自预对准的CT和MR数据集。具体地，在训练阶段中，为了配准输入CT和MR图像，在变形的MR图像和与输入CT配对的MR图像上评估它们的相似性。因此，模态内相似性度量可以直接应用于测量输入CT和MR图像是否良好配准。此外，我们使用双模态的想法，其中我们衡量的相似性，CT模态和MR模态。以这种方式，可以共同考虑两种模态中的互补解剖结构，以更准确地训练模态间配准网络。在测试阶段，训练的模态间配准网络可以直接应用于配准新的多模态图像，而无需任何配对数据。实验结果表明，该方法可以实现具有挑战性的非刚性模态间配准任务有希望的准确性和效率，也优于国家的最先进的方法。
2018-04-28 cs.CV
PCNet: A Structure Similarity Enhancement Method for Multispectral and Multimodal Image Registration
Zhejiang University（浙江大学）；Zhejiang Gongshang University（浙江工商大学）
多光谱多模态图像在多源视觉信息融合领域有着重要的应用。由于图像设备的交替或移动，所获取的多光谱和多模态图像通常是未对准的，因此图像配准是先决条件。与普通图像的配准不同，多光谱或多模态图像的配准是一个具有挑战性的问题，由于强度和梯度的非线性变化。为了应对这一挑战，我们提出了相位一致性网络（PCNet），以提高多光谱或多模态图像的结构相似性。然后可以使用网络产生的相似性增强的特征图来对齐图像。PCNet是在著名的相位一致性的启发下构建的。该网络将相位一致性先验嵌入到两个简单的可训练层和一系列修改的可学习Gabor核中。得益于先验知识，一旦经过训练，PCNet就可适用于各种多光谱和多模式数据，如闪光/无闪光和RGB/NIR图像，而无需进一步调整。Prior还使网络轻量化。PCNet的可训练参数比深度学习配准方法DHN少2400倍，而其配准性能超过DHN。实验结果验证了PCNet优于当前最先进的传统多模态配准算法。此外，PCNet还可以作为深度学习配准方法的补充部分，显著提高配准精度。经过PCNet处理后，UDHN的1像素平均角点误差（ACE）以下的图像数量百分比从0.2%提高到89.9%。
2022-10-10 cs.CV
Multi-Resolution SAR and Optical Remote Sensing Image Registration Methods: A Review, Datasets, and Future Perspectives
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）；Technology Innovation Center for Collaborative Applications of Natural Resources Data in GBA, Ministry of Natural Resources（自然资源部粤港澳自然资源数据协同应用技术创新中心）
本文综述了多分辨率SAR与光学图像配准方法，构建了包含1万对图像的MultiResSAR数据集，评估16种算法发现现有方法在高分辨率下性能受限，并提出未来研究方向。
2025-02-03 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
Non-parametric Image Registration of Airborne LiDAR, Hyperspectral and Photographic Imagery of Forests
University of Cambridge（剑桥大学）
目前人们对利用多传感器航空遥感监测森林的结构和生物多样性很感兴趣。本文讨论了非参数图像配准技术的应用，以精确地对齐从多模态成像，这是成功地识别个别树木使用对象识别方法的关键图像。非参数图像配准，特别是优化包含数据保真度和正则化项的目标函数的技术，为图像配准提供了灵活的算法。以西班牙南部的林地调查为例，我们表明，非参数图像配准可以成功地融合数据集时，很少有先验知识的数据集是相互关联的（即在没有地面控制点）。通过一系列实验验证了非参数配准方法在航空遥感图像配准中的有效性。精确的数据融合是机载图像中目标精确识别的前提，因此非参数图像配准可以为分析流程做出有价值的贡献。
2014-07-28 cs.CV
Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint
形变图像配准能够实现图像间快速、准确的配准，在医学图像研究中起着重要的作用。当前基于深度学习（DL）的图像配准方法通过利用卷积神经网络直接学习从一个图像到另一个图像的空间变换，需要地面真值或相似性度量。然而，这些方法仅使用全局相似性能量函数来评估一对图像的相似性，这忽略了图像内感兴趣区域（ROI）的相似性。而且，基于深度学习的方法往往直接估计图像的全局空间变换，而没有考虑图像中感兴趣区域的空间变换。在本文中，我们提出了一种新的双流变换网络与区域一致性约束，最大限度地提高了一对图像内的ROI的相似性，同时估计全球和区域的空间变换。在4个公开的3D MRI数据集上的实验结果表明，与现有的配准方法相比，该方法在准确性和泛化能力方面都具有最好的性能。
2022-06-05 cs.CV
New multimodal similarity measure for image registration via modeling local functional dependence with linear combination of learned basis functions
Department of Computer Science（计算机科学系）
针对多模态图像形变配准问题，提出一种基于学习基函数线性组合的局部函数依赖相似性测度，该方法可通过卷积在GPU上高效计算，在三个数据集上表现良好。
2025-11-03 cs.CV
First Order Locally Orderless Registration
University of Copenhagen（哥本哈根大学）
一阶局部无序配准（FLOR）是一种用于图像密度估计的尺度空间框架，用于定义图像相似性，主要用于图像配准。局部无序配准框架原则上被设计为使用零阶信息，提供三个尺度上的图像密度估计：图像尺度、强度尺度和积分尺度。我们将其扩展到考虑一阶信息并暗示高阶信息。我们将展示如何标准的相似性措施扩展到框架。我们研究特别是平方差（SSD）和归一化互相关（NCC），但目前的理论如何归一化互信息（NMI）可以包括在内。
2021-08-10 cs.CV
DeepSim: Semantic similarity metrics for learned image registration
University of Copenhagen（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）
我们提出了一种用于图像配准的语义相似性度量。像欧几里德距离或归一化互相关这样的现有度量集中在对齐强度值上，这给低强度对比度或噪声带来了困难。我们的语义方法学习特定于网络的特征，这些特征驱动基于学习的注册模型的优化。与跨多种图像模态和应用的现有无监督和有监督方法相比，我们实现了一致的高配准精度和比现有技术更快的收敛速度，并且学习到的对噪声的不变性在低质量图像上提供了更平滑的变换。
2020-11-11 cs.CV cs.LG
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
Unimodal Cyclic Regularization for Training Multimodal Image Registration Networks
Tsinghua University（清华大学）；Shenzhen International Graduate School（深圳国际研究生院）；Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根妇女医院）
无监督多模态图像配准框架的损失函数具有两项，即，相似性度量和正则化的度量。在深度学习时代，研究人员提出了许多自动学习相似性度量的方法，这些方法已被证明可以有效地提高配准性能。然而，对于正则化项，大多数现有的多模态配准方法仍然使用手工制作的公式来对估计的变形场施加人工属性。在这项工作中，我们提出了一个单峰循环正则化训练管道，它从更简单的单峰配准中学习特定于任务的先验知识，以约束多峰配准的变形场。在腹部CT-MR图像配准实验中，该方法的配准效果优于传统的正则化方法，尤其是对于严重变形的局部区域。
2020-11-12 cs.CV
KLDivNet: An unsupervised neural network for multi-modality image registration
Fudan University（复旦大学）；SenseTime Technology（商汤科技）
多模态图像配准是医学图像分析中最重要的过程之一。最近，卷积神经网络（CNN）在变形配准中显示出巨大的潜力。然而，缺乏体素方面的地面实况挑战了CNN的训练，以实现准确的配准。在这项工作中，我们提出了一个跨模态的相似性度量，基于图像变量的KL发散，并实现了一个有效的估计方法，使用CNN。这个估计网络被称为KLDivNet，可以在无监督的情况下进行训练。然后将KLDivNet嵌入到配准网络中，实现多模态图像的无监督变形配准。我们使用了三个数据集，即，AAL Brain、LiTS Liver和Hospital Liver，具有模态内和模态间图像配准任务以进行验证。结果表明，我们的相似性度量是有效的，所提出的注册网络提供了优越的性能相比，国家的最先进的方法。
2020-02-05 cs.CV
Semantic similarity metrics for learned image registration
University of Copenhagen（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）
我们提出了一种用于图像配准的语义相似性度量。像欧几里德距离或归一化互相关这样的现有度量专注于对齐强度值，这给低强度对比度或噪声带来了困难。我们的方法学习了特定于网络的功能，这些功能可以驱动基于学习的注册模型的优化。我们训练使用自动编码器的无监督方法和使用补充分割数据的半监督方法来提取用于图像配准的语义特征。与现有的方法相比，在多个图像模态和应用程序，我们实现了一致的高配准精度。学习到的对噪声的不变性在低质量图像上提供了更平滑的变换。
2021-04-20 cs.CV cs.LG
TAR: Text Semantic Assisted Cross-modal Image Registration Framework for Optical and SAR Images
Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education of China, School of Artificial Intelligence, Xidian University（中国教育部智能感知与图像理解重点实验室，西安电子科技大学人工智能学院）；Department of Automation, Tsinghua University（清华大学自动化系）
本文提出TAR框架，通过文本语义先验缓解模态差距，提升跨模态特征学习，解决大形变下的光学与SAR图像配准问题。
2026-05-12 cs.CV
RFVTM: A Recovery and Filtering Vertex Trichotomy Matching for Remote Sensing Image Registration
Shanghai Maritime University（上海海事大学）
在基于特征的图像配准中，可靠的特征点匹配是一个重要而又具有挑战性的过程。本文提出了一种鲁棒的特征点匹配算法--恢复和过滤顶点三分法匹配（RFVTM），用于去除遥感图像中的离群点并保留足够的内点。基于仿射变换后任意顶点与直线之间的几何关系保持不变的特点，提出了一种新的仿射不变描述子--顶点剖分描述子.顶点三分匹配（VTM）中的离群点去除是通过迭代比较对应顶点三分描述符的视差来实现的。在VTM迭代中，一些被大量离群值错误验证的内点被移除，并且使用相同的图结构不能排除接近正确位置的几个剩余离群值。因此，设计了一种恢复和过滤策略，以恢复一些内点基于相同的顶点剖分描述符和限制的转换误差。借助额外的恢复内点，在扩展顶点集达到相同图的过程中，也可以过滤掉剩余的离群点。实验结果表明，该算法在各种情况下，如遥感图像变换较大、模式重复、光谱内容不一致等情况下，均具有较好的精度和稳定性。
2022-04-02 cs.CV eess.IV
Primitive Simultaneous Optimization of Similarity Metrics for Image Registration
Technical University of Munich（慕尼黑工业大学）；University of Zurich（苏黎世大学）；Klinikum rechts der Isar（伊萨尔河右岸医院）；TranslaTUM - Central Institute for Translational Cancer Research（TranslaTUM——转化癌症研究中央研究所）
本文针对图像配准中相似性度量同步优化研究不足的问题，提出基于原始求和的同步优化方法，在多模态三维神经胶质瘤MR图像数据集上验证了该方法能提升配准精度（以TRE衡量）。
2023-10-12 cs.CV eess.IV
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
Cross-Modality Multi-Atlas Segmentation Using Deep Neural Networks
Fuzhou University（福州大学）；Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）；King’s College London（伦敦国王学院）
多图谱分割（MAS）中的图像配准和标签融合都依赖于目标图像和图谱图像之间的强度相似性。然而，当使用不同的成像协议获取目标图像和图谱图像时，这种相似性可能是有问题的。当与深度神经网络（DNN）合作时，高级结构信息可以为跨模态图像提供可靠的相似性度量。这项工作提出了一个新的MAS框架，跨模态图像，图像配准和标签融合都是通过DNN实现的。对于图像配准，我们提出了一个一致的配准网络，它可以联合估计向前和向后密集位移场（DDFs）。此外，在网络中采用可逆约束，以减少估计的DDFs的对应模糊性。对于标签融合，我们采用了少样本学习网络来测量图谱和目标块的相似性。此外，该网络可以无缝地集成到基于补丁的标签融合。在MICCAI 2017的MM-WHS数据集上对所提出的框架进行了评估。结果表明，该框架是有效的跨模态配准和分割。
2020-08-15 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
Weakly-Supervised Learning of Metric Aggregations for Deformable Image Registration
Research institute for signals, systems and computational intelligence, sinc(i), FICH-UNL/CONICET（信号、系统与计算智能研究所 sinc(i)，FICH-UNL/CONICET）；University of Oxford（牛津大学）；TheraPanacea；CentraleSupelec（中央理工-高等电力学院）；Universite Paris-Saclay（巴黎-萨克雷大学）
形变配准是生物医学图像计算的重要研究方向之一。传统的方法是指定义的相似性标准，一旦赋予变形模型和平滑度约束，确定最佳的变换，以对齐两个给定的图像。这一度量函数的定义是登记过程中最关键的方面之一。我们认为，将语义信息（以解剖分割图的形式）纳入配准过程将进一步提高结果的准确性。在本文中，我们提出了一种新的弱监督的方法来学习域特定的聚合使用解剖分割的常规指标。该组合使用潜在结构化支持向量机（LSSVM）来学习。学习的匹配标准被集成在基于图形模型的无度量优化框架内，从而产生具有以解剖结构为条件的空间变化的相似性度量函数的多度量算法。我们对三种不同的CT和MRI图像数据集进行了广泛的评估，结果表明，学习的多度量配准优于基于传统相似性度量的单度量方法。
2018-09-24 cs.CV
A Novel Histogram Based Robust Image Registration Technique
SVS College of Engineering（SVS工程学院）
提出了一种基于直方图的图像自动配准方法。图像自动配准是遥感数据分析的关键步骤之一。必须使用图像配准技术对新采集的图像进行变换，以匹配先前相关图像的方向和比例。这种新的方法结合了几个分割的图像对注册。引入了直方图模式划分的松弛参数。然后通过物体面积、轴比、周长和分形维数对提取的物体进行表征。匹配的对象用于旋转和平移估计。它允许配准具有旋转和平移差异的图像对。这种方法有助于子像素精度。
2014-02-23 cs.CV
An investigation towards wavelet based optimization of automatic image registration techniques
MANIT-Bhopal（印度国家理工学院博帕尔分校）
图像配准是将不同的数据集转换到一个坐标系中的过程，并且需要用于各种遥感应用，如变化检测，图像融合和其他相关领域。增加的浮雕位移的影响，更多的控制点的要求，以及增加的数据量是与高分辨率图像数据的配准相关联的挑战。这项研究工作的目的是研究最有效的技术，并探讨提高它们与小波变换实现的改善程度。基于SIFT特征的方法使用特征值来基于尺度不变特征提取数千个关键点，并且当通过小波变换进一步增强时，这些特征点产生最佳结果。
2013-03-27 cs.CV
RANCOR: Non-Linear Image Registration with Total Variation Regularization
Robarts Research Institute（罗巴茨研究所）；Western University（韦仕敦大学）
优化技术已被广泛用于变形配准，允许与正则化机制的相似性度量的合并。这些正则化机制旨在减轻不适定配准问题的平凡解的影响，并确保所产生的变形场表现良好。本文介绍了一种新的变形配准算法，RANCOR，它使用迭代凸化来解决变形配准问题下的全变分正则化。最初的比较结果对四个国家的最先进的注册算法使用互联网脑分割库（IBSR）数据库。
2014-04-09 cs.CV
Embedded Feature Similarity Optimization with Specific Parameter Initialization for 2D/3D Medical Image Registration
Southeast University（东南大学）；Jiangsu Provincial Joint International Research Laboratory of Medical Information Processing（江苏省医学信息处理国际联合研究实验室）
针对2D/3D医学图像配准的维度不匹配、计算量大等难题，提出含参数指定与精细配准模块、采用复合连接编码器的SOPI深度学习框架，实验证明其在准确率和运行时间上优于现有方法，还可作为初始位姿估计器。
2023-12-19 cs.CV eess.IV
2D/3D Megavoltage Image Registration Using Convolutional Neural Networks
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Varian Medical Systems, Imaging Laboratory GmbH（瓦里安医疗系统影像实验室有限公司）
提出了一种基于卷积神经网络的二维/三维MV图像配准方法。传统的图像配准方法大多是基于灰度的，利用优化算法来最大化图像间的相似度。虽然这些方法可以实现良好的结果千伏图像，同样不会发生兆伏图像由于较低的图像质量。此外，这些方法大多数时候不提供良好的捕获范围。为了解决这个问题，我们提出了使用卷积神经网络。实验使用50张大脑图像的数据集进行。实验结果表明，与传统的图像配准方法相比，该方法具有良好的应用前景。
2018-11-28 cs.CV
DISA: DIfferentiable Similarity Approximation for Universal Multimodal Registration
ImFusion GmbH（ImFusion有限公司）；Technische Universität München（慕尼黑工业大学）
针对多模态图像配准中现有方法泛化性差、度量不可微的问题，提出DISA通用框架，用小型CNN特征空间点积近似相似性度量，无需配准数据训练，速度更快、泛化性好，已公开代码数据。
2023-07-19 cs.CV cs.LG eess.IV
Deep Group-wise Variational Diffeomorphic Image Registration
Quantib-U（Quantib-U公司）；Amsterdam University Medical Center（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
深度神经网络越来越多地用于成对图像配准。我们建议扩展当前基于学习的图像配准，以允许同时配准多个图像。为了实现这一目标，我们以成对变分和微分同胚VoxelMorph方法为基础，并提出了一个通用数学框架，该框架既可以将多个图像配准到其测地线平均值，也可以将任何可用图像用作固定图像。此外，我们提供了一个可能性的基础上归一化的互信息，一个众所周知的图像相似性度量的注册，多个图像之间，和一个先验，允许显式控制的粘性流体能量，以有效地规范变形。我们使用在多个时间点采集的乳腺MRI和胸部4DCT检查的患者内配准来训练和评估我们的方法。与Elastix和VoxelMorph的比较证明了所提出的方法在图像相似性和参考地标距离方面具有竞争力的定量性能，并且配准速度明显更快。
2020-10-01 cs.CV eess.IV
BIRNet: Brain Image Registration Using Dual-Supervised Fully Convolutional Networks
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Northwestern Polytechnical University（西北工业大学）；Korea University（高丽大学）
在本文中，我们提出了一种通过预测图像外观变形来进行图像配准的深度学习方法。由于获得用于训练的地面真实变形场可能具有挑战性，因此我们设计了一个受双重指导的完全卷积网络：（1）使用现有配准方法获得的变形场进行粗指导;（2）使用图像相似性进行细指导。后一种指导有助于避免过度依赖训练变形场的监督，这可能是不准确的。为了进行有效的训练，我们进一步改进了深度卷积网络，包括间隙填充、分层丢失和多源策略。在多种数据集上的实验表明，与现有方法相比，该方法具有良好的配准精度和效率。
2018-02-13 cs.CV
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
Sub-Pixel Registration of Wavelet-Encoded Images
University of Central Florida（中佛罗里达大学）
子像素配准是诸如遥感中的超分辨率、磁共振成像中的运动补偿和制造中的无损检测等应用的关键步骤。最近，这些技术已经趋向于小波编码成像和稀疏/压缩传感。前者在减少成像伪影方面起着至关重要的作用，而后者显著提高了采集速度。鉴于这些新出现的需求，小波编码成像的应用，我们提出了一种亚像素配准方法，可以实现直接小波域配准从一组稀疏的系数。我们做了以下贡献：（一）我们设计了一种方法的解耦尺度，旋转和平移参数在Haar小波域，（二）我们推导出明确的数学表达式，定义在带内子像素注册的小波系数，（iii）使用派生的表达式，我们提出了一种方法来实现带内子像素注册，避免来回变换。(iv)我们的解决方案仍然非常准确，即使当使用稀疏的系数集，这是由于在一个稀疏的小波系数集的信号的本地化。我们证明了我们的方法的准确性，并表明它优于最先进的模拟和真实数据，即使数据是稀疏的。
2017-05-01 cs.CV
Registration of Images with Outliers Using Joint Saliency Map
Shanghai Jiao Tong University（上海交通大学）
互信息（MI）是图像配准的常用相似性度量，通过最大化联合直方图中聚类的紧凑性可以实现良好的配准。然而，MI是敏感的“离群”的对象，出现在一个图像中，但不是其他的，也遭受局部和偏置的最大值。我们提出了一种新的联合显着图（JSM）突出相应的显着结构在两幅图像中，并强调这些显着结构分组到平滑的紧凑的聚类加权联合直方图。该策略可以同时解决异常值和局部极大值问题。实验结果表明，基于JSM-MI的配准算法不仅精度高，而且对具有离群点的挑战性图像对的配准具有鲁棒性。
2013-03-29 cs.CV
Image Registration Based Flicker Solving in Video Face Replacement and Analysis Based Sub-pixel Image Registration
Hebei University of Technology（河北工业大学）
本文提出了一种视频人脸替换框架，解决了视频序列中交换人脸的闪烁问题。该框架包含两个主要创新点：1）利用图像配准技术对源视频人脸和目标视频人脸进行配准，以消除分割后的视频人脸序列的闪烁或抖动; 2）提出一种快速的亚像素图像配准方法，以提高配准的精度和效率。与先验方法不同的是，它最小化了重叠区域，并考虑了时空相干性。合成视频中的闪烁现象通常是由于视频序列中混合目标人脸和未注册人脸的边界频繁变化引起的。针对闪烁问题，提出了亚像素图像配准方法。在配准过程中，整数像素配准是通过最大化图像间的相似性来实现的，下采样策略加快了配准速度，而亚像素配准则是通过解析方法实现的一步图像匹配。实验结果表明，该算法在不同数据集上进行实验时，计算时间减少，准确率较高。
2018-03-09 cs.CV
End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network
Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心图像科学研究所）；Division of Image Processing, Leiden University Medical Center（莱顿大学医学中心图像处理部）
在这项工作中，我们提出了一个深度学习网络变形图像配准（DIRNet）。DIRNet由卷积神经网络（ConvNet）回归器、空间Transformer和重采样器组成。ConvNet分析一对固定图像和运动图像，并为空间Transformer输出参数，空间transformer生成位移向量场，使重采样器能够将运动图像扭曲为固定图像。DIRNet通过对输入图像对之间的相似性度量进行无监督优化来进行端到端训练。经过训练的DIRNet可以应用于在一次通过中对未见过的图像对执行配准，因此是非迭代的。通过手写数字图像（MNIST）和心脏电影MR扫描（Sunnybrook Cardiac Data）的配准进行评价。结果表明，配准与DIRNet是一个传统的变形图像配准方法，大大缩短了执行时间一样准确。
2017-04-20 cs.CV
A Deep Learning Framework for Unsupervised Affine and Deformable Image Registration
Image Sciences Institute, University Medical Center Utrecht and Utrecht University（乌得勒支大学医学中心与乌得勒支大学影像科学研究所）；Division of Image Processing of the Leiden University Medical Center（莱顿大学医学中心图像处理部）
图像配准是将两幅或多幅图像对齐的过程，是许多（半）自动医学图像分析任务的核心技术。最近的研究表明，深度学习方法，特别是卷积神经网络（ConvNets），可以用于图像配准。到目前为止，用于配准的ConvNets的训练是使用预定义的示例配准来监督的。然而，获得示例注册并不简单。为了避免对预定义示例的需求，从而提高训练ConvNets进行图像配准的便利性，我们提出了用于\textit{unsupervised}仿射和可变形图像配准的深度学习图像配准（DLIR）框架。在DLIR框架中，通过利用类似于传统的基于强度的图像配准的图像相似性来训练ConvNets进行图像配准。在使用DLIR框架训练ConvNet之后，它可以用于在一个镜头中注册成对的不可见图像。我们提出了灵活的ConvNets设计，用于仿射图像配准和可变形图像配准。通过将多个ConvNet堆叠到一个更大的架构中，我们能够执行从粗到精的图像配准。我们表明，对于心脏电影MRI和胸部CT的配准，DLIR框架的性能与传统的图像配准相当，同时快了几个数量级。
2018-12-05 cs.CV
A Deep-Discrete Learning Framework for Spherical Surface Registration
King’s College London（伦敦国王学院）
皮质表面配准是神经成像分析的基本工具，已被证明可以改善功能区域相对于体积方法的对齐。传统上，图像配准是通过优化复杂的目标相似性函数来执行的，这导致长的运行时间。这有助于将所有数据与全球平均参考框架对齐的惯例，该全球平均参考框架很难反映潜在的皮质异质性。在本文中，我们提出了一种新的基于无监督学习的框架，将注册转换为多标签分类问题，其中低分辨率控制网格中的每个点变形为固定的，有限数量的端点之一。这是使用球形几何深度学习架构以端到端无监督的方式学习的，并使用深度条件随机场（CRF）进行正则化。实验表明，我们提出的框架执行竞争力，在相似性和面积失真方面，相对于最流行的经典表面配准算法，并产生更平滑的变形比其他基于学习的表面配准方法，即使在具有非典型皮质形态的主题。
2022-03-24 cs.CV cs.LG
Preserving Tumor Volumes for Unsupervised Medical Image Registration
City University of Hong Kong（香港城市大学）；Beihang University（北京航空航天大学）
针对无监督医学图像配准中肿瘤区域发生异常体积变化的问题，提出两阶段软掩码与自适应体积保持损失方法，在保持肿瘤体积的同时达到与最先进方法相当的配准性能。
2024-05-09 cs.CV cs.LG eess.IV
Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration
School of Data Science, Fudan University（复旦大学数据科学学院）；Department of Electrical and Electronic Engineering and I-X, Imperial College London（帝国理工学院电子与电气工程系）；Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系）；Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；Department of Radiology and Imaging Sciences, University of Utah（犹他大学放射科与成像科学系）；Department of Radiology, University of Washington（华盛顿大学放射科）；Institute of Science and Technology for Brain-Inspired Intellengence, Fudan University（复旦大学脑启发智能科学技术研究院）
本文提出一种基于贝叶斯学习的多模态组图像配准框架，通过分层变分自编码将解剖结构与几何变化解耦为潜在变量，实现无监督闭环自重构配准，在准确性、效率、可扩展性和可解释性上优于传统方法。
2025-09-14 cs.CV
A Learning-based Optimization Algorithm:Image Registration Optimizer Network
National University of Defense Technology（国防科技大学）
遥感图像配准是基于图像的导航系统的重要组成部分。由于配准的搜索空间通常是非凸的，因此寻找最佳变换参数的优化算法是一个具有挑战性的步骤。传统的优化算法很难协调同时快速收敛和全局最优的矛盾。本文提出了一种新的基于学习的优化算法--图像配准优化网络（IRON），它可以在单次迭代后预测全局最优值。IRON由3D张量（9 x9 x9）训练，该张量由类似的度量值组成。3D张量的元素对应于搜索空间中初始参数的9 x9 x9邻居。然后，张量的标签是从初始参数指向全局最优参数的向量。由于IRON的特殊结构，它可以直接预测任何初始化的全局最优解。实验结果表明，该算法比其他经典优化算法具有更高的精度、更小的均方根误差（RMSE）和更高的效率。我们的IRON代码可在study.https://www.github.com/jaxwangkd04/IRON上找到
2020-11-23 cs.CV
Robust Multimodal Image Registration Using Deep Recurrent Reinforcement Learning
CuraCloud corporation（库拉云公司）；Chengdu University of Information Technology（成都信息工程大学）
传统的图像配准方法的关键组成部分是正确的特征表示和相似性度量的选择。这两个组件，虽然精心设计，有点手工制作使用人类的知识。为此，在这项工作中，通过强化学习以端到端的方式处理这两个组件。具体地说，人工代理，这是由一个组合的政策和价值网络，被训练，以调整运动图像朝着正确的方向。我们使用异步强化学习算法训练这个网络，其中还利用定制的奖励函数来鼓励鲁棒的图像配准。该训练的网络进一步与前瞻推理结合以提高配准能力。该算法的优点是充分证明了我们的优越性能对临床MR和CT图像对其他国家的最先进的医学图像配准方法。
2020-01-29 cs.CV
A Statistical Model for Simultaneous Template Estimation, Bias Correction, and Registration of 3D Brain Images
University of Copenhagen（哥本哈根大学）；Biomediq A/S；Lundbeck（灵北）
模板估计在计算解剖学中发挥着至关重要的作用，因为它为对基础解剖群体变异性进行统计分析提供了参考系。在构建模板估计模型时，需要考虑站点和图像采集协议的可变性。为了解释这种可变性，我们提出了一个生成模板估计模型，该模型可以同时推断单个图像中的两个偏置场，图像配准的变形和方差超参数。相比之下，现有的基于最大后验概率的方法需要依赖于偏置不变的相似性度量或鲁棒的图像归一化。合成和真实脑MRI图像的结果表明，该模型能够捕获强度的异质性，并提供一个可靠的模板估计注册。
2017-05-01 cs.CV
Image Registration Techniques: A Survey
Jadavpur University（贾达普大学）
图像配准是将同一场景的两个或多个图像与特定图像对齐的过程。这些图像是在不同的时间和多个视点从各种传感器捕获的。因此，为了更好地了解场景或物体在相当长的时间段内的任何变化，图像配准是重要的。图像配准在医学、遥感和计算机视觉中有着广泛的应用。本文对几种方法进行了详细的回顾，并对其进行了分类，同时指出了它们的贡献和不足。文中还讨论了图像配准过程的主要步骤。不同的性能指标，确定登记的质量和准确性。最后提出了今后的研究方向。
2017-11-28 cs.CV cs.GR cs.MM
MvMM-RegNet: A new image registration framework based on multivariate mixture model and neural network estimation
Fudan University（复旦大学）
当前基于深度学习的配准算法通常利用基于强度的相似性度量作为损失函数，其中在训练期间通过反向传播优化一对移动图像和固定图像之间的密集对应。然而，基于强度的度量可能是误导时，强度类对应的假设被违反，特别是在跨模态或对比度增强的图像。此外，现有的基于学习的配准方法主要适用于成对配准，很少扩展到多个图像的成组配准或同时配准。在本文中，我们提出了一个新的图像配准框架的基础上，多元混合模型（MvMM）和神经网络估计。建立了一个综合外观和解剖信息的生成模型，导出了一个新的损失函数，能够实现分组配准。我们强调了多模态心脏图像的各种应用程序，包括单图集为基础的分割（SAS）通过成对注册和多图集分割（MAS）统一groupwise注册的建议框架的多功能性。我们评估了两个公开数据集的性能，即MM-WHS-2017和MS-CMRSeg-2019。结果表明，所提出的框架实现了$0.871\pm 0.025$的平均Dice分数的MR图像上的全心脏分割和$0.783\pm 0.082$的心肌分割LGE MR图像。
2020-07-14 cs.CV
Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence
University of Magdeburg（马格德堡大学）；University Hospital Magdeburg（马格德堡大学医院）
最近的研究表明，卷积神经网络（CNN）解决图像配准问题的资格。CNN可以实现更快的转换估计和更大的泛化能力，以便在医疗干预期间提供更好的支持。传统的全监督训练需要大量高质量的地面实况数据，例如体素到体素的转换，这通常是以过于繁琐和容易出错的方式实现的。在我们的工作中，我们使用弱监督学习，它仅通过分割掩码间接优化模型，而分割掩码是比变形场更容易获得的基础事实。关于弱监督，我们研究了两个分割相似性度量：多尺度骰子相似性系数（mDSC）和分割导出的符号距离图（SDM）之间的相似性。我们表明，mDSC和SDM相似性措施的组合，结果在一个更准确和自然的转换模式，以及更强的梯度覆盖。此外，我们引入了一个辅助输入的神经网络的先验信息的前列腺位置的MR序列，这主要是术前。这种方法明显优于标准的双输入模型。使用弱标记的MR-TRUS前列腺数据，我们显示出与最先进的基于深度学习的方法相当的配准质量。
2021-02-09 cs.CV cs.LG eess.IV
FlowReg: Fast Deformable Unsupervised Medical Image Registration using Optical Flow
Ryerson University（瑞尔森大学）；University of Toronto（多伦多大学）；Institute for Biomedical Engineering, Science and Technology (iBEST)（生物医学工程、科学与技术研究所（iBEST））
我们提出了FlowReg，一个基于深度学习的框架，用于神经成像应用的无监督图像配准。该系统由两个按顺序训练的架构组成：FlowReg-A，它对3D中移动和固定体积之间的总差异进行近似校正，然后是FlowReg-O，它在逐切片的基础上执行像素变形，以进行2D微调。仿射网络基于实施全局相似性的相关性损失函数来回归3D仿射矩阵。可变形网络基于光流网络FlowNet-Simple对2D图像切片进行操作，但具有三个损耗分量。光度损失最小化像素强度差异，平滑度损失鼓励相邻向量之间的相似幅度，以及用于保持固定和移动图像切片之间的强度相似性的相关性损失。所提出的方法进行了比较，四个开源的注册技术ANT，恶魔，SE和Voxelmorph。总共使用了来自痴呆和血管疾病队列的4643个FLAIR MR成像体积，这些体积是从60多个国际中心以不同的采集参数获得的。提出了一组定量的新的配准验证度量，重点是组织的结构完整性，空间对齐和强度相似性。实验结果表明，FlowReg（FlowReg-A+O）比基于迭代的配准算法的强度和空间对齐度量的像素一致性为0.65，相关系数为0.80，互信息为0.29。在深度学习框架中，FlowReg-A或FlowReg-A+O在所有指标中提供了最高的性能。结果表明，FlowReg能够获得高强度和空间相似性，同时保持解剖和病理的形状和结构。
2021-09-01 cs.CV eess.IV
DiffuseReg: Denoising Diffusion Model for Obtaining Deformation Fields in Unsupervised Deformable Image Registration
Shanghai Jiao Tong University（上海交通大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对传统深度学习医学图像配准缺乏可观测性与调整能力的问题，提出对形变场去噪的扩散配准方法DiffuseReg，搭配新型Swin Transformer去噪网络与相似性正则化，在ACDC数据集上Dice得分提升1.32，实现实时可观测与调整。
2024-10-07 cs.CV
Encoding Matching Criteria for Cross-domain Deformable Image Registration
Shenzhen University Medical School, Shenzhen University（深圳大学医学部，深圳大学）
针对跨域可形变图像配准难题，受传统方法定制匹配准则启发，提出含通用与结构特征编码器的配准导向编码器建模匹配准则，经三域实验验证有效，且可通过one-shot学习更新结构编码器适配新域。
2024-06-18 cs.CV
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
MDReg-Net: Multi-resolution diffeomorphic image registration using fully convolutional networks with deep self-supervision
University of Pennsylvania（宾夕法尼亚大学）；Perelman School of Medicine（佩雷尔曼医学院）；Center for Biomedical Image Computing and Analytics (CBICA)（生物医学图像计算与分析中心（CBICA））
我们提出了一个同构图像配准算法学习空间变换的图像对之间的注册使用全卷积网络（FCN）下的自监督学习设置。该网络被训练为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估计图像对之间的同构空间变换，类似于传统的图像配准算法。它在多分辨率图像配准框架中实现，以联合和增量地优化和学习不同图像分辨率下的空间变换，并进行深度自我监督，以便更好地处理图像之间的大变形。一个空间高斯平滑内核集成的FCNs产生足够平滑的变形领域，实现同构图像配准。特别地，利用在较粗分辨率下学习的空间变换来扭曲运动图像，该运动图像随后用于在较细分辨率下学习增量变换。该过程递归地进行到全图像分辨率，并且累积的变换用作最终变换以最精细的分辨率扭曲运动图像。用于配准高分辨率3D结构脑磁共振（MR）图像的实验结果表明，与最先进的图像配准算法相比，通过我们的方法训练的图像配准网络在几秒钟内获得了鲁棒的、同构的图像配准结果，并且精度有所提高。
2020-10-04 cs.CV
Benchmarking Intra-Patient 3D Deformable Multimodal Image Registration
IMAG2, Institut IMAGINE, Université Paris Cité（IMAG2，IMAGINE研究所，巴黎西岱大学）；Replico SAS（Replico公司）；Université Paris Cité, Department of Pediatric Surgery, Hôpital Necker Enfants-Malades, Assistance Publique–Hôpitaux de Paris (AP-HP)（巴黎西岱大学，内克尔儿童医院小儿外科，巴黎公立医院集团）；Sorbonne Université, CNRS, LIP6（索邦大学，法国国家科学研究中心，LIP6）；LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信，巴黎综合理工学院）
本研究提出了一个患者内三维多模态可变形配准基准，评估多种方法，发现学习法在合成数据上表现优异但真实场景提升有限，且几何与图像相似性指标不一致，表明该问题仍需多标准评估。
2026-09-15 cs.AI cs.CV
Automatic Registration of Images with Inconsistent Content Through Line-Support Region Segmentation and Geometrical Outlier Removal
Shanghai Maritime University（上海海事大学）；Shanghai Jiao Tong University（上海交通大学）
自动图像配准的实现在各种应用中仍然是一个难点。提出了一种基于线支撑区域分割和几何离群点去除的自动图像配准方法。这种新方法的目的是解决与配准的图像与仿射变形和不一致的内容，如遥感图像与不同的光谱内容或噪声干扰，或地图图像与不一致的注释。首先，线支持区域，即直线区域，其点共享大致相同的图像梯度角，以解决图像中存在的不一致的内容的问题。为了减轻线段的不完整性，采用多分辨率的迭代策略来保持被图像细节或噪声掩盖的全局结构。然后，几何离群点去除（GOR）的发展，提供可靠的特征点匹配，这是基于仿射不变的几何分类相应的匹配由SIFT初始化。通过比较所有匹配项之间累积分类的差异性来选择候选离群点，而不是传统的仅依赖于局部几何关系的方法。各种图像集已被认为是在本文中所提出的方法进行评估，包括模拟仿射变形，遥感光学和合成孔径雷达图像在不同的情况下（多光谱，多传感器，多时相），和地图图像与不一致的注释航空图像。实验结果表明，该方法优于现有的方法，为整个数据集的性能。
2022-04-02 cs.CV eess.IV
Multi-modal Image Registration for Correlative Microscopy
UNC Chapel Hill/BRIC（北卡罗来纳大学教堂山分校/生物医学影像中心）；Microsoft Research Cambridge（微软研究院剑桥）；University of Delaware（特拉华大学）
相关显微术是一种将光学显微术的功能与电子显微术的高分辨率和其他显微术技术相结合的方法。相关显微图像配准是一个多模态、多尺度、多维的配准问题，具有很大的挑战性。本文介绍了两种相关显微图像配准方法。第一种方法是基于基准点（珠子）。我从基准点生成地标，并根据三对最近的对应地标计算相似性变换矩阵。之后应用最小二乘匹配过程以进一步细化配准。第二种方法是受图像类比方法的启发。我将稀疏表示模型引入图像类比。我首先训练代表性的图像补丁（字典）预注册的数据集从两个不同的模态，然后我使用稀疏编码技术，从一个模态到另一个基于学习的字典的预测图像的给定图像。最终的图像配准是在预测图像和对应于不同模态中的给定图像的原始图像之间。该方法将多模态配准问题转化为单模态配准问题。我在透射电子显微镜（TEM）和共聚焦显微镜图像上测试我的方法。该方法的实验结果也显示在本报告中。
2015-01-13 cs.CV
Cross-Modality Multi-Atlas Segmentation via Deep Registration and Label Fusion
Fuzhou University（福州大学）；Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）
多图谱分割（MAS）是一种很有前途的医学图像分割框架。通常，MAS方法注册多个地图集，即，将具有对应标签的医学图像转换为目标图像;并且可以通过标签融合方案组合变换的图谱标签以生成目标分割。许多传统的MAS方法采用来自与目标图像相同的模态的图谱。然而，在许多临床应用中，具有相同模态的图谱的数量可能是有限的，甚至是缺失的。此外，传统的MAS方法遭受注册或标签融合过程的计算负担。在这项工作中，我们设计了一个新的跨模态MAS框架，它使用从某一模态的可用图集分割目标图像从另一个模态。为了提高框架的计算效率，图像配准和标签融合都通过精心设计的深度神经网络来实现。对于图谱-目标图像配准，我们提出了一种双向配准网络（BiRegNet），它可以有效地对齐来自不同模态的图像。对于标签融合，我们设计了一个相似性估计网络（SimNet），它通过测量每个图谱与目标图像的相似性来估计融合权重。SimNet可以学习多尺度信息进行相似性估计，以提高标签融合的性能。分别在MM-WHS和CHAOS数据集上通过左心室和肝脏分割任务对所提出的框架进行了评估。结果表明，该框架是有效的跨模态MAS在注册和标签融合。
2022-03-28 cs.CV cs.LG eess.IV
Image Registration for Stability Testing of MEMS
NASA Goddard Space Flight Center（美国国家航空航天局戈达德太空飞行中心）；Ball Aerospace and Technologies Corp.（鲍尔航空航天技术公司）；Adnet Systems Inc.（Adnet系统公司）
图像配准，或覆盖相同场景或对象的两个或更多图像的对准，在诸如遥感、医学成像、天文学和计算机视觉的许多学科中具有极大的兴趣。在本文中，我们介绍了一种新的应用图像配准算法。我们演示了如何通过基于小波的图像配准算法，工程师可以评估微机电系统（MEMS）的稳定性。特别是，我们应用图像配准算法来评估詹姆斯韦伯太空望远镜（JWST）的近红外光谱仪（NIRSpec）仪器的微快门子系统（MSS）的对准稳定性。这项工作介绍了一种新的方法来评估MEMS器件的稳定性工程师以及一个新的应用程序的图像配准算法的计算机科学家。
2013-01-09 astro-ph.IM cs.CV
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
