非刚性图像配准与刚性图像配准的比较研究
计算机视觉与模式识别
2020-01-14 v1 图像与视频处理
摘要
图像配准算法通常可分为两类：非刚性与刚性。近来，许多基于深度学习的算法采用神经网络来刻画非刚性图像配准函数。然而，它们是否总是表现更优？在本研究中，我们将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进行比较。数据来自 Kaggle 猫狗竞赛 \url{https://www.kaggle.com/c/dogs-vs-cats/}，我们在刚性变换（包括平移、旋转、缩放、剪切）以及逐像素非刚性变换上测试算法性能。Voxelmorph 分别在刚性集与非刚性集上训练以作比较，我们还向其原始架构中添加了高斯模糊层以提升配准性能。在刚性配准中，SimpleElastix 在均方根误差（RMSE）与平均绝对误差（MAE）两项指标上均取得最佳定量结果；非刚性配准则由 Voxelmorph 取得最佳。我们选取代表性样本进行视觉评估。
引用
@article{arxiv.2001.03831,
title = {A Comparative Study for Non-rigid Image Registration and Rigid Image Registration},
author = {Xiaoran Zhang and Hexiang Dong and Di Gao and Xiao Zhao},
journal= {arXiv preprint arXiv:2001.03831},
year = {2020}
}