DDR-Net：用于微分同胚图像配准的分割与下采样混合网络
图像与视频处理
2021-05-25 v1 计算机视觉与模式识别
摘要
深度微分同胚配准在面对高维图像时面临显著挑战，尤其在内存限制方面。现有方法要么对原始图像下采样，要么近似底层变换，要么缩减模型规模。近似过程中的信息损失或模型容量不足阻碍了高维图像（如3D医学体数据）的配准精度。本文中，我们提出一种分割与下采样混合配准网络（DDR-Net），一种在多尺度上保留大部分图像信息的通用架构。DDR-Net通过下采样输入利用全局上下文，并利用输入图像分块中的局部细节。该设计减小了网络输入尺寸及其内存开销；同时，通过融合全局与局部信息，DDR-Net在最终形变场中获得了粗粒度和细粒度对齐。我们在三个公开数据集（即OASIS、IBSR18和3DIRCADB-01）上评估DDR-Net，实验结果表明我们的方法优于现有方法。
引用
@article{arxiv.2105.11361,
title = {DDR-Net: Dividing and Downsampling Mixed Network for Diffeomorphic Image Registration},
author = {Ankita Joshi and Yi Hong},
journal= {arXiv preprint arXiv:2105.11361},
year = {2021}
}