CAR：基于对比无关性的可变形医学图像配准 with 对比不变潜在正则化

多对比度图像配准因不同成像对比度之间复杂的强度关系而具有挑战性。传统图像配准方法通常基于每个输入图像对的迭代优化，耗时且对对比度变化敏感。虽然基于学习的方法在推理阶段速度更快，但由于泛化性问题，通常只能应用于训练阶段观察到的固定对比度。本文提出了一种 novel 对比无关可变形图像配准框架，可推广至任意对比度图像，无需在训练时观察它们。特别地，我们提出了一种基于随机卷积的对比增强方案，通过保持其固有结构信息的方式，模拟单个图像对比度下的任意对比度。为确保网络能够学习用于促进对比无关配准的对比无关表示，我们进一步引入对比无关潜在正则化（CLR），通过对比不变损失对潜在空间中的表示进行正则化。实验表明，CAR 在配准精度方面优于基线方法，并且在 unseen 成像对比度上具有更好的泛化能力。代码已公开 \url{https://github.com/Yinsong0510/CAR}。