基于低秩与稀疏分解的可变形组间图像配准
计算机视觉与模式识别
2020-01-13 v1
摘要
低秩与稀疏分解以及鲁棒主成分分析（RPCA）是图像处理中极为成功的技术，近来已应用于组间图像配准。本文研究了图像配准中最常用RPCA差异度量的缺陷，并推导出一种改进版本。具体而言，该新度量通过显式约束而非惩罚项来建模低秩要求，从而避免了既有度量的缺陷。结合全变分正则化，我们提出了一种基于一阶原始对偶优化的、理论上有依据的多层格式，以求解所得的非参数配准问题。数值实验证实，我们的度量尤其适用于涉及物体外观反复变化及潜在稀疏扰动的数据。我们将其性能与若干相关方法进行了数值比较。
引用
@article{arxiv.2001.03509,
title = {Deformable Groupwise Image Registration using Low-Rank and Sparse Decomposition},
author = {Roland Haase and Stefan Heldmann and Jan Lellmann},
journal= {arXiv preprint arXiv:2001.03509},
year = {2020}
}
备注
22 pages, 14 figures