CARL：等变图像配准框架
计算机视觉与模式识别
2025-04-04 v3
摘要
图像配准估计一对图像之间的空间对应关系。这些估计通常通过数值优化或深度网络回归获得。此类估计器的一个理想属性是，图像对之间的对应估计（例如，真实预言对应）在输入图像的变形下得以保持。形式上，估计器应对所需类别的图像变换具有等变性。本文在多步深度配准网络的背景下，对所需的等变性质进行了仔细分析。基于这些分析，我们1) 引入了[U,U]等变性（网络对输入图像相同变形的等变性）和[W,U]等变性（输入图像可经历不同变形）的概念；2) 表明在合适的多步配准设置中，如果第一步具有[W,U]等变性且所有后续步骤具有[U,U]等变性，则整体[W,U]等变性得以满足；3) 表明常见的位移预测网络仅对平移表现出[U,U]等变性，而非更强大的[W,U]等变性；4) 展示了如何通过坐标注意力机制结合位移预测精化层（CARL）实现多步[W,U]等变性。总体而言，我们的方法在多个3D医学图像配准任务上获得了出色的实际配准性能，并在具有挑战性的腹部配准问题上优于现有的无监督方法。
引用
@article{arxiv.2405.16738,
title = {CARL: A Framework for Equivariant Image Registration},
author = {Hastings Greer and Lin Tian and Francois-Xavier Vialard and Roland Kwitt and Raul San Jose Estepar and Marc Niethammer},
journal= {arXiv preprint arXiv:2405.16738},
year = {2025}
}
备注
CVPR 2025