深度信息论配准
计算机视觉与模式识别
2019-01-03 v1 信息论
math.IT
摘要
本文为基于深度度量的图像配准技术建立了信息论框架。我们展示了最大剖面似然与联合熵最小化(一种重要的早期信息论配准方法)之间的精确等价性。我们进一步推导出基于深度分类器的度量,可与迭代最大似然结合使用,以在图像块而非像素上实现深度信息论配准。这缓解了先前信息论配准方法的一个主要缺陷,即隐式的逐像素独立性假设。我们提出的方法不需要良好配准的训练数据;这将先前全监督的深度度量配准方法带入弱监督领域。我们在若干图像配准任务上评估了我们的方法,并显示出相较互信息的明显更优性能,尤其在图像对比度差异显著时。本工作使得在当前方法不成功的场景中实现通用配准成为可能。
引用
@article{arxiv.1901.00040,
title = {Deep Information Theoretic Registration},
author = {Alireza Sedghi and Jie Luo and Alireza Mehrtash and Steve Pieper and Clare M. Tempany and Tina Kapur and Parvin Mousavi and William M. Wells},
journal= {arXiv preprint arXiv:1901.00040},
year = {2019}
}