主动扩散匹配：跨模态视网膜图像的基于得分的迭代对齐
计算机视觉与模式识别
2026-04-14 v1
摘要
目标：本研究旨在解决标准视网膜图像（SFI）和超宽场视网膜图像（UWFIs）对齐的挑战，由于两者在观察范围上的显著差异以及视网膜的非晶状外观，现有方法难以实现精确对齐。目前尚无针对此任务的专用方法，现有的图像对齐技术精度不足。方法：我们提出了主动扩散匹配（Active Diffusion Matching, ADM），一种新的跨模态对齐方法。ADM整合了两个相互依赖的基于得分的扩散模型，通过迭代的Langevin马尔可夫链jointly估计全局变换和局部形变。该方法促进了对最佳对齐的随机、渐进式搜索。此外，还引入了自定义抽样策略以增强ADM适应给定输入图像对的能力。结果：通过比较实验评估，证明ADM在对齐精度方面实现了最先进的水平。该结果在两个数据集上得到验证：一个包含SFI-UWFI配对的私有数据集和一个包含SFI-SFI配对的公开数据集，分别相对于现有最先进方法实现了5.2和0.4个百分点的mAUC提升。结论：ADM有效弥合了对齐SFI和UWFIs的差距，为此前未解决的挑战提供了创新解决方案。该方法能够同时优化全局和局部对齐，在跨模态图像对齐任务中表现高度有效。意义：ADM有望变革SFI和UWFIs的集成分析，提高临床实用性，支持基于学习的图像增强。这一进步可能显著提高眼科诊断准确性和患者预后。
引用
@article{arxiv.2604.10084,
title = {Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images},
author = {Kanggeon Lee and Su Jeong Song and Soochahn Lee and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2604.10084},
year = {2026}
}