一种用于域自适应点云配准的去噪 Mean Teacher 方法
计算机视觉与模式识别
2023-07-06 v2
摘要
基于点云的医疗配准有望提高计算效率、对强度偏移具有鲁棒性并保护匿名性，但受限于使用相似性度量的无监督学习效果不佳。在合成形变上进行有监督训练是一种替代方案，但反过来又受到与真实域之间域差距的困扰。本文旨在通过域自适应来解决这一差距。使用 Mean Teacher 进行自训练是解决该问题的成熟方法，但受到来自教师伪标签固有噪声的损害。作为补救，我们提出了一种用于点云配准的去噪教师-学生范式，包含两种互补的去噪策略。首先，我们提出基于教师与学生配准的 Chamfer 距离来过滤伪标签，从而防止教师带来有害的监督。其次，我们使教师通过其预测形变对移动输入进行扭曲，从而动态合成具有无噪声标签的新训练对。在公共 PVT 数据集上针对两种域偏移进行了吸气到呼气的肺血管树配准评估。我们的方法比基线 Mean Teacher 高出 13.5%/62.8%，持续优于多种竞争对手，并确立了新的最先进精度（TRE=2.31mm）。代码见 https://github.com/multimodallearning/denoised_mt_pcd_reg。
引用
@article{arxiv.2306.14749,
title = {A denoised Mean Teacher for domain adaptive point cloud registration},
author = {Alexander Bigalke and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:2306.14749},
year = {2023}
}
备注
early accepted at MICCAI 2023; corrected confused reference