ConKeD++：改进视网膜图像配准的描述子学习：对比损失的综合研究
计算机视觉与模式识别
2024-04-26 v1
摘要
自监督对比学习已成为最成功的深度学习范式之一。在此背景下，它已广泛应用于图像配准，并且最近应用于医学图像配准这一特定领域。在本工作中，我们提出测试、扩展并改进一种用于彩色眼底图像配准的最先进框架 ConKeD。使用 ConKeD 框架，我们测试了多种损失函数，并使其适应于该框架和应用领域。此外，我们使用标准化基准数据集 FIRE 以及多个以前从未用于彩色眼底配准的数据集来评估我们的模型，并发布了这些数据集的配对数据以及一种标准化的评估方法。我们的工作在所有数据集和指标上均展现出最先进的性能，证明了其相较于当前 SOTA 彩色眼底配准方法的若干优势。
引用
@article{arxiv.2404.16773,
title = {ConKeD++ -- Improving descriptor learning for retinal image registration: A comprehensive study of contrastive losses},
author = {David Rivas-Villar and Álvaro S. Hervella and José Rouco and Jorge Novo},
journal= {arXiv preprint arXiv:2404.16773},
year = {2024}
}