用于图像配准的注意力机制(AiR):一种无监督 Transformer 方法
计算机视觉与模式识别
2023-03-28 v2 人工智能
摘要
图像配准是信号处理中的关键任务,但常遇到稳定性与效率问题。非学习配准方法依赖于优化固定图像与浮动图像间的相似性度量,其在时间与空间复杂度上可能代价高昂。当图像较大或图像间存在显著形变时,该问题会加剧。近来,深度学习尤其是基于卷积神经网络(CNN)的方法,已被探索作为非学习方法弱点的有效解决方案。为进一步推动图像配准中的学习方法,我们在可形变图像配准问题中引入注意力机制。我们提出的方法基于称为 AiR 的 Transformer 框架,可在 GPGPU 设备上高效训练。我们将图像配准问题视为语言翻译任务,并使用 Transformer 学习形变场。该方法学习无监督生成的形变图,并在两个基准数据集上测试。总之,我们的方法在解决图像配准任务中的稳定性与效率问题上展现出良好成效。AiR 的源代码已在 Github 上提供。
引用
@article{arxiv.2105.02282,
title = {Attention for Image Registration (AiR): an unsupervised Transformer approach},
author = {Zihao Wang and Hervé Delingette},
journal= {arXiv preprint arXiv:2105.02282},
year = {2023}
}