DefTransNet：一种用于软组织变形仿真中非刚性点云配准的 Transformer 方法
计算机视觉与模式识别
2025-07-02 v1 人工智能
摘要
软组织手术，如肿瘤切除，因组织变形而导致组织的准确位置和形状难以辨认。通过将组织表面表示为点云并应用非刚性点云配准(PCR)方法，外科医生可以更好地理解手术前、中、后的组织变形。现有的非刚性PCR方法，如基于特征的方法，难以robust地应对噪声、离群点、部分数据和大变形等挑战，导致准确的点对应关系难以实现。尽管基于学习的PCR方法，特别是Transformer方法，最近因其注意力机制能够捕捉点之间相互作用而显示出前景，但其robust性在挑战性场景中仍有限。本文提出一种新型的端到端Transformer架构用于非刚性PCR，称为DefTransNet。DefTransNet旨在解决可 deformable 配准的关键挑战，包括大变形、离群点、噪声和部分数据，通过输入source 和 target 点云并输出位移矢量场来实现。该方法采用可学习的变换矩阵增强对仿射变换的robust性，整合全局和局部几何信息，并利用Transformer捕获点之间的长程依赖性。我们在四个数据集上验证了该方法：ModelNet、SynBench、4DMatch 和 DeformedTissue，包括合成和真实世界数据，以展示所提方法的泛化性。实验结果表明，DefTransNet在各种挑战性条件下均优于当前最先进的配准网络。我们的代码和数据已公开。
关键词
引用
@article{arxiv.2502.06336,
title = {DefTransNet: A Transformer-based Method for Non-Rigid Point Cloud Registration in the Simulation of Soft Tissue Deformation},
author = {Sara Monji-Azad and Marvin Kinz and Siddharth Kothari and Robin Khanna and Amrei Carla Mihan and David Maennel and Claudia Scherl and Juergen Hesser},
journal= {arXiv preprint arXiv:2502.06336},
year = {2025}
}