3D Focusing-and-Matching Network for Multi-Instance Point Cloud Registration
School of Electronics and Information, Northwestern Polytechnical University(西北工业大学电子信息学院)
针对多实例点云配准中全局对应关系受杂乱与遮挡影响的问题,提出3DFMNet,通过3D多物体聚焦和双掩码实例匹配实现成对配准,并在Scan2CAD与ROBI上达到最先进性能。
2025-01-06 cs.CV
Learning Instance-Aware Correspondences for Robust Multi-Instance Point Cloud Registration in Cluttered Scenes
National University of Defense Technology(国防科技大学);Defense Innovation Institute, Academy of Military Sciences(军事科学院国防创新研究院)
针对杂乱场景多实例点云配准中对应关系易受背景和其他实例干扰的问题,提出由粗到细的 MIRETR,利用实例掩码提取可靠对应并进行候选优化,在 ROBI 上 F1 提升 16.6 分。
2024-04-06 cs.CV
An Unsupervised, Iterative N-Dimensional Point-Set Registration Algorithm
提出了一种无监督迭代的N维欧氏点云点集配准算法。它基于线性最小二乘法,并考虑所有可能的点配对,并迭代地对齐两个集合,直到点配对的数量不超过允许的一对一配对的最大数量。
2019-08-06 cs.CV cs.LG
Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registration
Washington University in St. Louis(圣路易斯华盛顿大学);Megvii Inc.(旷视科技)
在本文中,我们提出了一种新的基于学习的管道部分重叠的三维点云配准。该模型包括一个迭代的距离感知相似性矩阵卷积模块,将来自特征和欧几里得空间的信息合并到成对点匹配过程中。这些卷积层学习基于整个几何特征的联合信息和每个点对的欧几里得偏移来匹配点,克服了简单地采用特征向量的内积进行匹配的缺点。此外,一个两阶段的学习点消除技术,以提高计算效率,减少误报对应对。提出了一种新的相互监督损失训练模型没有额外的注释的关键点。管道可以很容易地与传统(例如FPFH)和基于学习的功能集成。部分重叠和噪声点云配准的实验表明,我们的方法优于目前的最先进的,同时更计算效率。代码可在https://github.com/jiahaowork/idam上公开获取。
2020-08-06 cs.CV
Non-iterative Simultaneous Rigid Registration Method for Serial Sections of Biological Tissue
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);The Center for Excellence in Brain Science and Intelligence Technology, CAS(中国科学院脑科学与智能技术卓越创新中心)
在本文中,我们提出了一种新的非迭代算法,同时估计最佳刚性变换的连续切片图像,这是一个关键组成部分,在体重建的连续切片的生物组织。为了避免现有算法中的误差积累和传播,我们增加了额外的条件,即第一个和最后一个部分的图像的位置应该保持不变。这种受约束的同时配准问题以前没有得到解决。该算法是一种非迭代的方法,可以在短时间内同时计算大量连续切片图像的刚性变换。我们证明了我们的算法在理想条件下得到最优解。并分别用合成数据和实际数据对算法进行了测试,验证了算法的有效性。
2020-05-11 cs.CV
Multi-instance Point Cloud Registration by Efficient Correspondence Clustering
Shanghai Jiao Tong University(上海交通大学)
我们解决的问题,估计多个实例的源点云内的目标点云的构成。现有的解决方案需要对大量的假设进行采样以检测可能的实例并拒绝离群值,当实例和离群值的数量增加时,其鲁棒性和效率显着降低。我们建议直接组成不同的集群的基础上的距离不变性矩阵的噪声对应的集合。通过聚类自动识别实例和离群值。我们的方法是强大的和快速的。我们在合成和真实世界的数据集上评估了我们的方法。实验结果表明,该方法在存在70%离群点的情况下,可以正确配准20个实例,F1得分为90.46%,性能明显优于现有方法,至少快10倍
2022-03-27 cs.CV
Automatic Registration of SHG and H&E Images with Feature-based Initial Alignment and Intensity-based Instance Optimization: Contribution to the COMULIS Challenge
AGH University of Krakow(克拉科夫AGH科技大学);University of Applied Sciences Western Switzerland (HES-SO Valais-Wallis)(瑞士西部应用科学大学(瓦莱州-瓦利斯));University of Geneva(日内瓦大学)
本文提出一种无需训练的SHG与H&E图像自动配准方法,通过自动关键点匹配和基于实例优化的可变形配准解决多模态缺失数据问题,在外部验证集上达到88%初始配准成功率和2.48平均目标配准误差。
2024-09-24 cs.CV
Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine Networks and Dual Deep Supervision
School of Computer Science, The University of Sydney(悉尼大学计算机科学学院);Med-X Research Institute, Shanghai Jiao Tong University(上海交通大学Med-X研究院)
面向BraTS-Reg 2022脑胶质瘤术前与随访MRI配准,提出带双重深度监督的NICE-Net以应对大形变与对应缺失,验证MAE为3.387,最终测试排名第4。
2022-11-15 cs.CV
Iterative Global Similarity Points : A robust coarse-to-fine integration solution for pairwise 3D point cloud registration
Wuhan University(武汉大学)
在本文中,我们提出了一个由粗到细的集成解决方案的启发经典ICP算法,两个改进的混合度量空间(例如,BSC特征和欧几里得几何空间)和全局最佳对应匹配的成对3D点云配准。首先,我们检测点云的关键点,并使用二进制形状上下文(BSC)描述符来编码其局部特征。然后,我们制定的对应匹配任务作为一个能量函数,它模拟的BSC特征和欧氏几何的混合空间上的关键点的全局相似性。然后,我们通过Kuhn-Munkres算法优化能量函数来估计全局最优对应,然后基于对应计算变换。最后,通过最优对应匹配和变换计算相互补充,迭代地优化两点云之间的变换,实现统一框架下的粗到精配准。综合实验结果表明,该算法具有良好的性能,在旋转和平移误差方面均优于现有方法。
2018-08-12 cs.CV
Non-iterative rigid 2D/3D point-set registration using semidefinite programming
Princeton University(普林斯顿大学)
我们描述了一个凸规划框架的姿态估计在2D/3D点集配准与未知点对应。我们给出了两个混合整数非线性规划(MINP)配方的2D/3D配准问题时,有多个2D图像,并提出凸松弛的MINP半定规划(SDP),可以有效地解决内点方法。我们的2D/3D配准问题的方法本质上是非迭代的,因为我们联合解决了姿势和对应关系。此外,这些凸程序可以很容易地结合点的特征描述符,以增强配准结果。我们证明了凸规划在无噪声条件下精确地恢复了原始非凸2D/3D配准问题的解。我们应用这些配方注册的冠状动脉血管的三维模型,他们的二维投影从多个术中透视图像。对于这个应用程序,我们通过实验证实了在没有噪声的情况下的精确恢复属性,并进一步证明了在噪声存在下的凸规划的鲁棒性。
2016-04-06 cs.CV math.OC
Disentangle-then-Align: Non-Iterative Hybrid Multimodal Image Registration via Cross-Scale Feature Disentanglement
Faculty of Engineering and IT, University of Technology Sydney(新南威尔士大学工程与信息技术学院);School of Artificial Intelligence, Anhui University(安徽大学人工智能学院);School of Computer Science and Technology, Anhui University(安徽大学计算机科学与技术学院)
本文提出HRNet网络,通过解耦表示与混合参数预测,解决多模态图像配准中共享空间不稳定和单类型变换限制的问题,实现非迭代的粗到细配准。
2026-03-20 cs.CV
Multi-scale Neural ODEs for 3D Medical Image Registration
MIT(麻省理工学院);United Imaging Intelligence(联影智能)
图像配准在医学图像分析中起着重要的作用。传统的基于优化的方法由于迭代过程而以昂贵的计算为代价提供了准确的估计。深度学习方法(如learn-to-map)要快得多,但需要迭代或粗到细的方法来提高处理大运动的准确性。在这项工作中,我们提出了通过多尺度神经ODE模型学习配准优化器。推理由迭代梯度更新组成,类似于传统的梯度下降优化器,但以更快的方式,因为神经ODE从训练数据中学习,以在每次迭代时有效地适应梯度。此外,我们建议学习一个独立于模态的相似性度量,以解决不同图像对比度下的图像外观变化。我们进行了广泛的实验,从公共和私人数据源的多对比度三维MR图像的背景下进行评估,并证明了我们提出的方法的优越性能。
2021-06-17 cs.CV
Iterative Differential Entropy Minimization (IDEM) method for fine rigid pairwise 3D Point Cloud Registration: A Focus on the Metric
Department of Engineering, University of Messina(工程学院,墨西拿大学)
IDEM方法通过微分熵度量提升点云配准的鲁棒性,有效应对密度差异、噪声和部分重叠等挑战。
2026-01-14 cs.CV
Deep Iterative 2D/3D Registration
FAU Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Siemens Healthineers AG(西门子医疗集团)
基于深度学习的2D/3D配准方法非常稳健,但通常缺乏临床应用所需的配准精度。使用经典的基于优化的2D/3D配准方法结合基于深度学习的技术的细化步骤可以提供所需的准确度。但是,它也增加了运行时间。在这项工作中,我们提出了一种新的深度学习驱动的2D/3D配准框架,可以端到端地用于迭代配准任务,而不依赖于任何进一步的细化步骤。我们通过使用点到面对应来学习2D/3D配准框架的更新步骤来实现这一点。使用基于迭代残差细化的光流估计,结合作为已知算子嵌入的点到平面对应求解器来学习更新步骤。我们提出的方法实现了约8秒的平均运行时间,平均重投影距离误差为0.60 $\pm$ 0.40 mm,成功率为97%,捕获范围为60 mm。高配准精度,高鲁棒性和快速运行时间的组合使我们的解决方案非常适合临床应用。
2021-07-21 cs.CV cs.LG eess.IV
LayersReg: A Layer-by-Layer Progressive Regressor for Reliable Intraoperative 3D/2D Registration
School of Biological Science and Medical Engineering(生物科学与医学工程学院);Southeast University(东南大学);School of Engineering, College of Engineering and Physical Sciences(工程学院,工程与物理科学学院);University of Birmingham(伯明翰大学);State Key Laboratory of Digital Medical Engineering(数字医学工程国家重点实验室)
提出LayersReg,一种逐层渐进回归范式,通过特征空间搜索像素流趋势迭代收敛到正确空间位姿,在X射线/CT配准和切片定位任务上达到高精度,满足术中实时需求。
2026-06-26 cs.CV
Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration
Information Engineering University(信息工程大学);University of Air Force(空军大学)
针对点云配准忽略语义信息的问题,提出深度语义图匹配方法DeepSGM,通过构建语义邻接图并结合图卷积与注意力机制学习特征,将匹配转化为最优传输问题求解,在KITTI数据集上显著提升了大规模室外点云配准性能。
2023-10-18 cs.CV
Non-iterative Coarse-to-fine Transformer Networks for Joint Affine and Deformable Image Registration
School of Computer Science, The University of Sydney(悉尼大学计算机科学学院);Institute of Translational Medicine, Shanghai Jiao Tong University(上海交通大学转化医学研究院);Royal Prince Alfred Hospital(皇家阿尔弗雷德王子医院);Med-X Research Institute, Shanghai Jiao Tong University(上海交通大学Med-X研究院)
针对现有非迭代由粗到精配准方法依赖额外仿射配准、受卷积局部性限制的问题,提出嵌入Transformer的NICE-Trans网络,实现单网络联合仿射与可形变配准,在7个公开数据集上精度与速度均超现有最优方法。
2023-07-07 cs.AI cs.CV eess.IV
Voxelmorph++ Going beyond the cranial vault with keypoint supervision and multi-channel instance optimisation
University of Lübeck(吕贝克大学)
基于深度学习的图像配准的大多数当前研究解决了具有中等变形幅度的患者间脑配准。最近的Learn 2 Reg医学配准基准已经证明,单尺度U-Net架构(例如直接采用空间Transformer损失的VoxelMorph)通常不能很好地推广到颅顶之外,并且不能达到腹部或患者体内肺部配准的最先进性能。在这里,我们提出了两个简单的步骤,大大减少了准确性的差距。首先,我们使用关键点自监督和一个新的网络头,预测离散化的热图,并鲁棒地减少大的变形,以获得更好的鲁棒性。其次,我们用手工制作的功能和Adam优化器的单个实例优化来取代多个学习的微调步骤。不同于其他相关工作,包括FlowNet或PDD-Net,我们的方法不需要一个完全离散化的架构与相关层。我们的消融研究证明了关键点在自我监督和无监督(仅使用MIND指标)设置中的重要性。在多中心吸气-呼气肺部CT数据集上,包括非常具有挑战性的COPD扫描,我们的方法通过将非线性对齐提高77%而优于VoxelMorph,相比之下,非线性对齐提高了19% -达到2 mm的目标配准误差,优于迄今为止发表的所有学习方法。将该方法扩展到语义特征设置了受试者间腹部CT配准的最新性能。
2022-02-28 cs.CV
Warm-Started Reinforcement Learning for Iterative 3D/2D Liver Registration
UCL Hawkes Institute, University College London(伦敦大学学院UCL霍克斯研究所);Medtronic plc.(美敦力公司)
本文提出了一种基于离散动作强化学习的框架,用于将术前CT与术中腹腔镜视频进行配准,通过预热启动的监督姿态估计网络提供稳定的几何特征和更快的收敛速度,从而实现更高效的配准。
2026-05-20 cs.CV physics.med-ph
Iterative Feedback Network for Unsupervised Point Cloud Registration
本文提出一种用于无监督点云配准的迭代反馈网络(IFNet),通过级联的反馈配准块和Feedback Transformer将高层特征反馈以优化低层特征,并引入几何感知描述符,在多个基准数据集上取得更优配准性能。
2024-01-09 cs.AI cs.CV
Multi-Task Deep Networks for Depth-Based 6D Object Pose and Joint Registration in Crowd Scenarios
Imperial College(帝国理工学院)
在箱子拾取场景中,感兴趣对象的多个实例随机堆叠在一堆中,因此,这些实例固有地受到挑战:严重的遮挡,混乱和相似的干扰物。然而,大多数现有的方法是单个孤立的对象实例,而最近的一些方法处理人群的情况下,后细化帐户多个对象的关系。在本文中,我们解决了在深度模态中通过深度神经网络中的多任务学习来恢复箱子拾取场景中的多个实例的6D姿态。我们的架构联合学习多个子任务:单个对象的2D检测、深度和3D姿态估计;以及多个对象的联合配准。对于训练数据生成,物理上合理的对象姿态配置的深度图像由物理模拟中的3D对象模型生成,这产生了要学习的各种遮挡模式。我们采用了最先进的对象检测器,并通过网络进一步估计2D偏移,以改善未对准的2D检测。深度和3D姿态估计器被设计为每次检测生成多个假设。这允许关节配准网络学习遮挡模式并去除物理上不可信的姿势假设。我们将我们的架构应用于合成(我们自己的和Sileane数据集)和真实(公共Bin-Picking数据集)数据,表明它在平均精度上显著优于最先进的方法15-31%。
2018-06-11 cs.CV
CMR-Agent: Learning a Cross-Modal Agent for Iterative Image-to-Point Cloud Registration
Institute of Cyber-Systems and Control, Zhejiang University(浙江大学控制与网络系统研究所);Polytechnic Institute, Zhejiang University(浙江大学理工学院)
本文将图像到点云配准建模为迭代马尔可夫决策过程,提出结合强化学习与模仿学习的跨模态智能体CMR-Agent,通过2D-3D混合状态表示和一次性嵌入复用,在KITTI-Odometry与NuScenes上实现了高精度且高效的配准。
2024-08-05 cs.CV cs.RO
MRG: A Multi-Robot Manufacturing Digital Scene Generation Method Using Multi-Instance Point Cloud Registration
SAIC General Motors Corporation(上汽通用汽车有限公司)
本文提出MRG方法,通过实例中心transformer、假设生成及筛选优化实现多实例点云配准,用于生成高保真多机器人制造数字场景,并在两个数据集上显著提升MR与MP。
2025-01-03 cs.AI cs.CV
Iterative Hough Forest with Histogram of Control Points for 6 DoF Object Registration from Depth Images
Imperial College London(伦敦帝国学院)
提出的用于6D对象姿态恢复的最新技术依赖于无遮挡点云来准确地配准3D空间中的对象。为了减少这种依赖性,我们引入了一种新的架构,称为迭代霍夫森林与直方图的控制点,能够估计闭塞和混乱的对象的6D姿态给定的候选2D限界框。我们的迭代霍夫森林是使用仅从阳性样本中提取的补丁学习的。这些补丁表示与直方图的控制点(HoCP),一个“尺度变量”的隐式体积描述,我们来自最近推出的隐式B样条(IBS)。在推理过程中利用了这种尺度方差提供的丰富的判别信息,其中通过使用我们的迭代Hough森林,基于更具判别力的控制点迭代地改进对象的初始姿态估计。我们进行实验的几个测试对象的公开可用的数据集来测试我们的架构,并与国家的最先进的比较。
2017-01-09 cs.CV cs.RO
Joint Layout Estimation and Global Multi-View Registration for Indoor Reconstruction
Computer Vision Laboratory, GIST(光州科学技术院计算机视觉实验室);LG Electronics(LG电子);Korea Electronics Technology Institute(韩国电子技术研究院)
在本文中,我们提出了一种新的方法来联合解决场景布局估计和全局配准问题,以准确的室内三维重建。给定一系列范围数据,我们首先使用KinectFusion构建一组场景片段,并通过姿势图优化将它们注册。之后,我们交替之间的布局估计和布局为基础的全球注册过程中的迭代方式,以相互补充。我们提取场景布局通过层次凝聚聚类和基于能量的多模型拟合考虑噪声测量。在一方面估计场景布局,我们注册所有的范围数据通过全局迭代最近点算法,其中属于布局的3D点的位置,如墙壁和天花板被约束为接近布局。我们实验验证了所提出的方法与公开的合成和真实世界的数据集在定量和定性的方式。
2017-09-06 cs.CV
Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration
Beijing Institute of Technology(北京理工大学);Australian National University(澳大利亚国立大学);National ICT Australia(澳大利亚国家信息与通信技术研究院)
迭代最近点(ICP)算法是最广泛使用的点集配准方法之一。然而,基于局部迭代优化,ICP是已知的是容易受到局部最小值。它的性能主要依赖于初始化的质量,只能保证局部最优。本文提出了第一个全局最优算法,命名为Go-ICP,欧氏(刚性)两个三维点集的ICP定义的L2误差度量下的注册。Go-ICP方法基于搜索整个3D运动空间SE(3)的分支定界(BnB)方案。通过利用SE(3)几何的特殊结构,我们得到了新的上界和下界的配准误差函数。局部ICP被集成到BnB方案中,这在保证全局最优性的同时加快了新方法。我们还讨论了扩展,解决离群鲁棒性的问题。实验结果表明,无论初始化如何,该方法都能得到可靠的配准结果。Go-ICP可应用于需要最佳解决方案或无法始终获得良好初始化的情况。
2016-05-11 cs.CV
SVoRT: Iterative Transformer for Slice-to-Volume Registration in Fetal Brain MRI
MIT(麻省理工学院);Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院);University College London(伦敦大学学院);Massachusetts General Hospital(麻省总医院)
在几乎不可预测且通常严重的受试者运动存在的情况下,从多个MR切片堆叠中获取胎儿大脑的体积重建是一项具有挑战性的任务,其对切片到体积变换的初始化高度敏感。我们提出了一种新的切片到体积配准方法,使用Transformers训练的综合转换的数据,模型的MR切片作为一个序列的多个堆栈。通过注意机制,我们的模型自动检测切片之间的相关性,并使用来自其他切片的信息预测一个切片的变换。我们还估计底层的3D体积,以帮助切片到体积配准,并交替更新体积和变换,以提高精度。实验结果表明,与现有的最先进的方法相比,该方法具有更低的配准误差和更好的重建质量。真实世界的MRI数据的实验也进行了证明所提出的模型,以提高质量的三维重建严重的胎儿运动的能力。
2022-06-22 cs.CV eess.IV
Bridging Classical and Learning-based Iterative Registration through Deep Equilibrium Models
Department of Imaging Physics, Delft University of Technology(影像物理系,代尔夫特理工大学)
提出DEQReg,基于深度平衡模型将配准视为平衡求解问题,实现恒定内存与稳定收敛,在脑MRI和肺CT数据集上达到竞争性能并显著降低内存消耗。
2025-07-08 cs.CV eess.IV
Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出GSA方法,通过相似变换对齐不同类别的3DGS模型,无需真实尺度输入,通过迭代特征引导绝对对齐和多视图特征一致性优化,实现跨实例对齐。
2026-03-26 cs.CV
EOE: Expected Overlap Estimation over Unstructured Point Cloud Data
NVIDIA Research(英伟达研究院)
我们提出了一种迭代重叠估计技术,以增强现有的点云配准算法,可以实现高性能的困难的现实世界的情况下,大的姿势位移和非重叠的几何形状,否则会导致传统的方法失败。我们的方法估计重叠区域,通过迭代的期望最大化过程,编码到注册过程中的传感器视场。所提出的技术,预期重叠估计(EOE),是来自观察,在视场的差异违反了iid假设隐含地举行的所有最大似然注册技术。我们展示了我们的方法如何以最小的计算开销来增强许多流行的注册方法。通过对合成数据集和真实数据集的实验,我们发现添加显式重叠估计步骤可以帮助鲁棒的离群值处理,并提高基于ICP和基于GMM的配准方法的准确性,特别是在大型非结构化域中,点云之间的重叠量非常小。
2018-08-06 cs.CV
Embedding Gradient-based Optimization in Image Registration Networks
Imperial College London(帝国理工学院);Technical University of Munich(慕尼黑工业大学);University of Edinburgh(爱丁堡大学)
深度学习(DL)图像配准方法通过训练深度神经网络来在一次快速前向传递中预测最佳变换,从而分摊昂贵的成对迭代优化。在这项工作中,我们弥补了传统的迭代能量优化的配准和基于网络的配准之间的差距,并提出梯度下降网络的图像配准(梯度下降网络)。我们提出的方法训练了一个DL网络,该网络在其前向传递中嵌入了展开的基于多分辨率梯度的能量优化,这在其更新步骤中显式地执行图像相异性最小化。使用2D心脏MR和3D脑部MR图像对配准任务进行了广泛评价。我们证明,我们的方法实现了最先进的注册性能,同时使用更少的学习参数,具有良好的数据效率和域鲁棒性。
2022-09-12 cs.CV eess.IV
iPEAR: Iterative Pyramid Estimation with Attention and Residuals for Deformable Medical Image Registration
College of Software, Jilin University(吉林大学软件学院);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly, Nanyang Technological University(老年活跃生活卓越研究中⼼(NTU-UBC), 新加坡国立大学);College of Computer Science(计算机科学学院);Technology, Zhejiang University(技术, 浙江大学);Key Laboratory of Symbolic Computation(符号计算重点实验室);Knowledge Engineering of Ministry of Education, College of Computer Science(教育部知识工程重点实验室, 计算机科学学院);Technology, Jilin University(技术, 吉林大学);School of Artificial Intelligence, Beijing Normal University(北京师范大学人工智能学院)
iPEAR通过融合注意力与残差模块和双阶段阈值控制迭代策略,提升医学图像配准的准确性和效率。
2026-01-30 cs.AI cs.CV
Improving Instance Optimization in Deformable Image Registration with Gradient Projection
Delft University of Technology(代尔夫特理工大学)
本文针对可变形图像配准中的多目标优化冲突问题,提出在实例优化框架下引入梯度投影技术,将冲突梯度投影到公共空间以增强优化稳定性,并在 LUMIR 任务上验证了其优于标准梯度下降的配准精度。
2024-10-23 cs.CV eess.IV
NeuralBoneReg: An Instance-Specific Label-Free Point Cloud-Based Method for Multi-Modal Bone Surface Registration
Research in Orthopedic Computer Science, Balgrist University Hospital, University of Zurich(骨科计算机科学研究所,巴尔格里斯大学医院,苏黎世大学);AI Center, ETH Zurich(人工智能中心,苏黎世联邦理工学院)
提出NeuralBoneReg,一种自监督的基于点云的骨表面注册框架,通过隐式神经无符号距离场和MLP注册模块实现多模态数据间的鲁棒对齐,在多个数据集上达到或超越现有方法。
2026-07-01 cs.CV
Adapting Frozen Mono-modal Backbones for Multi-modal Registration via Contrast-Agnostic Instance Optimization
Department of Imaging Physics, Delft University of Technology, The Netherlands(荷兰代尔夫特理工大学成像物理系)
本文提出一种结合冻结预训练单模注册模型与轻量级适应流程的多模图像注册框架,通过对比无关的表示生成与优化模块在测试时桥接模态与领域差距,提升注册鲁棒性。
2026-03-27 cs.CV eess.IV
Multi-view Point Cloud Registration with Adaptive Convergence Threshold and its Application on 3D Model Retrieval
Xi’an Jiaotong University(西安交通大学)
多视点云配准是多媒体技术和人工智能领域的研究热点。本文提出了一种基于自适应收敛阈值的多视点云配准算法的三维模型重建框架,并将其应用于三维模型检索。结合运动平均算法实现了迭代最近点(ICP)算法,用于多视点云的配准。在注册过程之后,我们设计用于3D模型检索的应用程序。基于顶点曲率计算几何显著图。然后基于显著图生成测试面部三角形,该显著图被应用于与标准面部三角形进行比较。人脸和非人脸模型,然后区分。实验和比较证明了该框架的有效性。
2018-12-25 cs.CV
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
SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration
Aalto University(阿尔托大学)
针对深度学习医学图像配准方法无法通过构造同时实现对称、逆一致和拓扑保持的问题,提出多分辨率架构SITReg,构造上天然具备上述特性并开发内存高效隐式层,在三个数据集上取得最先进配准精度。
2024-12-02 cs.CV
HyperPredict: Estimating Hyperparameter Effects for Instance-Specific Regularization in Deformable Image Registration
University of Sussex(萨塞克斯大学)
本文提出HyperPredict方法,利用多层感知器预测正则化超参数对配准结果的影响,从而在测试时无需标注数据即可为特定图像对选择最优超参数,并在OASIS数据集上验证了其有效性。
2024-03-16 cs.CV
K-means clustering for efficient and robust registration of multi-view point sets
Xi’an Jiaotong Universiy(西安交通大学);DAQRI;Tianjin Universiy(天津大学);School of Software Engineering, Xi’an Jiaotong Universiy(西安交通大学软件工程学院);School of Computer Science and Technology, Tianjin Universiy(天津大学计算机科学与技术学院)
一般来说,有三个主要因素决定了配准的实际可用性,即,准确性、鲁棒性和效率。在实时应用中,效率和鲁棒性更加重要。为了提高这两个能力,我们把多视图注册成一个聚类任务。所有的质心都是从多视图配准中涉及的初始对齐的点集中均匀采样的,这使得它对于聚类是相当有效的。然后,每个点被分配到一个单一的集群和每个集群质心相应地更新。随后,由所有聚类质心组成的形状用于顺序地估计每个点集的刚性变换。为了准确性和稳定性,聚类和变换估计交替和迭代地应用于所有点集。我们在几个基准数据集上测试了我们提出的方法,并将其与最先进的方法进行了比较。实验结果验证了该方法的有效性和鲁棒性。
2018-04-30 cs.CV
Longitudinal tracking of multiple sclerosis lesions in the spinal cord: A validation study
Polytechnique Montreal(蒙特利尔理工学院);TUM University Hospital(慕尼黑工业大学附属医院);University of British Columbia(不列颠哥伦比亚大学);University of Calgary(卡尔加里大学);University of Toronto(多伦多大学);Université de Montréal(蒙特利尔大学);University of Alberta(阿尔伯塔大学)
本研究比较五种策略追踪脊髓多发性硬化病灶,基于配准的重叠方法性能最佳,首次系统分析病灶实例对应关系。
2026-09-10 cs.CV
Category-Level 3D Non-Rigid Registration from Single-View RGB Images
University of Bonn(波恩大学)
在本文中,我们提出了一种新的方法来解决三维非刚性配准问题,从RGB图像使用卷积神经网络(CNN)。我们的目标是找到一个变形场(通常用于在实例之间传递知识,例如,掌握技能),其将给定的3D规范模型扭曲成由单视图RGB图像观察到的新颖实例。这是通过训练CNN来完成的,该CNN为规范模型的可见部分推断变形场,并且通过采用学习的形状(潜在)空间来推断被遮挡部分的变形。作为配准的结果,重建所观察的模型。因为我们的方法不需要深度信息,所以它可以配准通常难以用RGB-D传感器感知的物体,例如具有透明或闪亮表面的物体。即使没有深度数据,我们的方法优于相干点漂移(CPD)注册方法的评估对象类别。
2020-08-17 cs.CV cs.RO
VoxelOpt: Voxel-Adaptive Message Passing for Discrete Optimization in Deformable Abdominal CT Registration
Cornell University(康奈尔大学);Hunan University(湖南大学);University of Oxford(牛津大学);Shanghai Jiao Tong University(上海交通大学)
提出基于离散优化的可变形图像配准框架VoxelOpt,结合学习与迭代方法优势,通过体素自适应消息传递、多级金字塔及预训练分割模型,在腹部CT配准中实现精度与效率的最佳平衡。
2025-06-24 cs.AI cs.CV eess.IV
Mutual information neural estimation for unsupervised multi-modal registration of brain images
Australian Institute for Machine Learning(澳大利亚机器学习研究所);University of Adelaide(阿德莱德大学);South Australian Health and Medical Research Institute(南澳大利亚健康与医学研究所)
图像引导手术和治疗中的许多应用需要快速且可靠的非线性、多模态图像配准。最近提出的基于无监督深度学习的配准方法与迭代方法相比,在很短的时间内就表现出了卓越的性能。大多数基于学习的方法都集中在单模态图像配准上。多模态配准的扩展依赖于使用适当的相似性函数,如互信息(MI)。我们建议通过端到端可训练网络中图像对之间的MI估计来指导基于深度学习的配准方法的训练。我们的研究结果表明,一个小的,2层网络产生竞争力的结果,在单模态和多模态注册,与次秒运行时间。与迭代和基于深度学习的方法的比较表明,我们基于MI的方法在拓扑和定性上都具有优越的结果,并且非同构变换的速率极低。实时临床应用将受益于解剖结构的更好视觉匹配和更少的配准失败/离群值。
2022-10-06 cs.CV cs.LG eess.IV
Deep Loss Convexification for Learning Iterative Models
Worcester Polytechnic Institute(伍斯特理工学院)
针对迭代方法因非凸优化陷入局部最优的问题,提出深度损失凸化(DLC),利用对抗训练和星凸性几何约束重塑损失地形,在RNN训练、3D点云配准和图像对齐任务上取得最优性能。
2024-11-16 cs.CV
Fully Convolutional Geometric Features for Category-level Object Alignment
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文主要研究同一类别中不同对象实例的姿态配准问题。这在在线对象映射中是必需的,因为在测试时检测到的对象实例通常与训练实例不同。我们的方法将同一类别的实例转换为规范化的规范坐标框架,并使用度量学习来训练完全卷积的几何特征。由此产生的模型能够在实例之间生成成对的匹配点,从而允许类别级注册。对合成数据和真实数据的评估表明,我们的方法提供了强大的功能,导致不同形状的实例的准确对齐。
2021-03-08 cs.CV cs.RO
Interpretable Unsupervised Deformable Image Registration via Confidence-bound Multi-Hop Visual Reasoning
School of Engineering and Technology(工程与技术学院)
本文提出了一种基于多跳视觉推理的可解释无监督变形图像配准框架,通过局部空间细化和跨参考注意力机制,实现高精度且透明的医学图像配准。
2026-01-30 cs.AI cs.CV cs.LG
Recurrence With Correlation Network for Medical Image Registration
University of Waterloo(滑铁卢大学);Sunnybrook Research Institute(桑尼布鲁克研究所)
我们提出了递归相关网络(RWCNet),一个医学图像配准网络与多尺度功能和成本卷层。我们证明,这些架构功能提高了为MICCAI 2022 Learn2Reg研讨会挑战准备的两个图像配准数据集的医学图像配准精度。在大位移国家肺筛查测试(NLST)数据集上,RWCNet能够在相应关键点之间实现2.11 mm的总配准误差(TRE),而无需实例微调。在OASIS脑MRI数据集上,RWCNet能够为35个不同的解剖标签实现81.7%的平均骰子重叠。它在两个数据集上的性能都优于另一个多尺度网络,拉普拉斯图像配准网络(LapIRN)。烧蚀实验进行突出的各种建筑特征的贡献。虽然多尺度特征提高了两个数据集的验证准确性,但成本体积层和循环步骤的数量只提高了大位移NLST数据集的性能。这一结果表明,成本体积层和迭代细化使用RNN提供了良好的支持,优化和推广的大位移医学图像配准。RWCNet的代码可在https://github.com/vigsivan/optimization-based-registration上获得。
2023-02-05 cs.CV cs.LG
Cross-modal registration using point clouds and graph-matching in the context of correlative microscopies
Université de Nantes(南特大学);CNRS(法国国家科学研究中心);INSERM(法国国家健康与医学研究院);l’institut du thorax(胸腔研究所);CHU Nantes(南特大学附属医院);SFR Santé(健康科学研究联合会)
相关显微镜的目的是将两种或两种以上的模式相结合,以获得比单一模式对同一生物结构提供的信息更多的信息。在相关显微镜工作流程的不同步骤中需要配准。生物学家希望选择用于配准的图像内容,而不是在未知结构的相关性中引入偏差。基于强度的方法可能不允许这种选择,并且在图像非常大时可能太慢。我们提出了一种基于点云创建的生物学家从选定的内容。这些点云可能倾向于密度差异很大,但也会丢失部分和离群值。本文提出了一种基于图构建和图匹配的点云配准方法,并与迭代最近点配准方法进行了比较。
2020-12-01 cs.CV q-bio.TO
Theoretical Analysis for Expectation-Maximization-Based Multi-Model 3D Registration
本文对多模型三维配准的期望最大化算法进行理论分析,建立其收敛到真实值的条件,并利用概率尾界推进算法理解。
2024-05-24 cs.CV cs.RO
Smooth Shells: Multi-Scale Shape Registration with Functional Maps
Technical University of Munich(慕尼黑工业大学)
我们提出了一种新的三维形状对应方法的基础上迭代对齐所谓的光滑壳。光滑壳定义了一系列由粗到细的形状近似,旨在与多尺度算法配合使用。其主要思想是首先对齐几何形状的粗略近似,然后添加越来越多的细节来细化对应关系。我们融合经典的形状注册功能地图嵌入到一个内在的外部产品空间的输入形状。此外,我们消除歧义的内在对称性,通过应用代理基于马尔可夫链蒙特卡罗初始化。我们的方法可以自然地处理实际扫描中常见的各种类型的噪声,例如非等距或不兼容的网格。最后,我们在几个数据集上展示了最先进的定量结果,并表明我们的管道比现实应用中的其他自动匹配方法产生更平滑,更逼真的结果。
2019-12-02 cs.CV cs.GR
A Comparative Study of Coarse to Dense 3D Indoor Scene Registration Algorithms
Ecole Militaire Polytechnique(军事理工学院)
三维对准已经成为三维扫描技术中非常重要的一部分。例如,我们可以将对齐过程分为四个步骤:关键点检测、关键点描述、初始姿态估计和对齐细化。研究人员为每一步的文献提供了几种方法,这表明自然需要进行比较研究,以获得更合适的选择。在这项工作中,我们提出了一个描述和评估的不同方法用于3D注册,特别关注RGB-D数据,以找到最佳组合,允许一个完整的和更准确的3D重建的室内场景与廉价的深度相机。
2021-10-28 cs.CV cs.RO
Fast and Robust Iterative Closest Point
University of Science and Technology of China(中国科学技术大学);Cardiff University(卡迪夫大学)
本文针对ICP收敛慢且对离群点和部分重叠敏感的问题,提出基于Anderson加速的MM框架和Welsch鲁棒误差度量,在保证精度的情况下比Sparse ICP快一个数量级以上,并扩展至点到平面ICP。
2023-04-14 cs.CV cs.GR cs.RO
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