通过局部特征表示实现深度可变形配准中的领域偏移免疫
计算机视觉与模式识别
2025-12-30 v1
摘要
深度学习推动了可变形图像配准的发展，在准确性和效率上均超越了传统的基于优化的方法。然而，基于学习的模型被广泛认为对领域偏移敏感，通常通过大规模且多样化的训练数据集来追求鲁棒性，而未解释其内在机制。在本工作中，我们表明领域偏移免疫是深度可变形配准模型的固有属性，这源于其依赖局部特征表示而非全局外观进行形变估计。为了分离并验证这一机制，我们引入了 UniReg，一种通用配准框架，该框架使用固定的预训练特征提取器和基于 UNet 的形变网络，将特征提取与形变估计解耦。尽管仅在单一数据集上训练，UniReg 展现出与基于优化的方法相当的鲁棒跨域和多模态性能。我们的分析进一步揭示，传统基于 CNN 的模型在模态偏移下的失败源于早期卷积层中由数据集诱导的偏置。这些发现将局部特征一致性确定为基于学习的可变形配准中鲁棒性的关键驱动因素，并启发了保留领域不变局部特征的主干网络设计。
引用
@article{arxiv.2512.23142,
title = {Domain-Shift Immunity in Deep Deformable Registration via Local Feature Representations},
author = {Mingzhen Shao and Sarang Joshi},
journal= {arXiv preprint arXiv:2512.23142},
year = {2025}
}