面向人体建模的高效模型驱动组方法
计算机视觉与模式识别
2025-08-15 v1 最优化与控制
摘要
人体建模是医学图像分析的基本任务，为诸如人口水平解剖建模等任务提供了标准化的空间参考。虽然数据驱动的注册方法最近在两两设置中显示出前景，但其对大规模训练数据的依赖、有限的泛化性以及缺乏在组情况下的真正推断阶段，限制了其实际应用。相比之下，模型驱动的方法提供了训练免费、理论依据严谨且数据高效的替代方案，但往往在应用于大规模3D数据集时面临可扩展性和优化挑战。本文引入了DARC（通过坐标下降实现可微同位映射的人体建模），这是一种新型模型驱动的组注册框架，用于人体建模。DARC支持广泛的图像不相似性度量，能够高效处理任意数量的3D图像，而不会出现GPU内存问题。通过坐标下降策略和中心性约束激活函数，DARC产生无偏见、可微同位映射的人体建模，具有高解剖保真度。除了人体建模之外，我们还展示了两个关键应用：(1)一次性分割，其中仅在人体建模上标注的标签通过逆变形传播到主体，超过了最先进的少数样本方法；(2)形状合成，其中通过对人体建模网格施加合成的可微同位映射变形场来生成新的解剖变体。总体而言，DARC提供了一个灵活、可泛化且资源高效的人体建模框架及其应用。
引用
@article{arxiv.2508.10743,
title = {An Efficient Model-Driven Groupwise Approach for Atlas Construction},
author = {Ziwei Zou and Bei Zou and Xiaoyan Kui and Wenqi Lu and Haoran Dou and Arezoo Zakeri and Timothy Cootes and Alejandro F Frangi and Jinming Duan},
journal= {arXiv preprint arXiv:2508.10743},
year = {2025}
}