基于跨尺度特征解耦的非迭代混合多模态图像配准
计算机视觉与模式识别
2026-03-23 v1
摘要
多模态图像配准是下游跨模态分析的基础任务，也是其关键前置条件。尽管近期在共享特征提取和多尺度架构方面取得了进展，但仍存在两个关键局限性：其一，某些方法使用解耦来学习共享特征，但主要对共享部分进行正则化，允许模态私有线索泄漏到共享空间中；其二，大多数多尺度框架仅支持单一变换类型，当全局错位和局部变形共存时，适用性受限。为此，我们将混合多模态配准表述为联合学习稳定的共享特征空间和统一的混合变换。基于此观点，我们提出了 HRNet，即一种混合注册网络 (Hybrid Registration Network)，将表示解耦与混合参数预测进行耦合。一个带有模态特定批量归一化 (MSBN) 的共享主干网络提取多尺度特征，随后通过跨尺度解耦和自适应投影 (CDAP) 模块抑制模态私有线索，并将共享特征投影到稳定的子空间中进行匹配。基于该共享空间，混合参数预测模块 (HPPM) 执行全局刚性参数和变形场的非迭代粗到细估计，这些参数被融合到一个连贯的变形场中。在四个多模态数据集上的大量实验表明，HRNet 在刚性和非刚性配准任务上实现了最先进的性能。该代码已在项目网站上提供。
引用
@article{arxiv.2603.19623,
title = {Disentangle-then-Align: Non-Iterative Hybrid Multimodal Image Registration via Cross-Scale Feature Disentanglement},
author = {Chunlei Zhang and Jiahao Xia and Yun Xiao and Bo Jiang and Jian Zhang},
journal= {arXiv preprint arXiv:2603.19623},
year = {2026}
}
备注
Accepted by CVPR 2026 main track