EDFFDNet：迈向精确高效的无监督多网格图像配准
计算机视觉与模式识别
2025-09-10 v1
摘要
以往采用单应性、多网格单应性或薄板样条的深度图像配准方法，由于其固有的局限性，在处理包含深度视差的真实场景时常常表现不佳。为了解决这个问题，我们提出了指数衰减自由形变网络 (EDFFDNet)，它采用具有指数衰减基函数的自由形变。这种设计实现了更高的效率，并因其固有的局部性而在具有深度视差的场景中表现良好。我们还引入了一种自适应稀疏运动聚合器 (ASMA)，它取代了先前方法中使用的 MLP 运动聚合器。通过将密集交互转换为稀疏交互，ASMA 减少了参数并提高了精度。此外，我们提出了一种渐进式相关性优化策略，利用全局-局部相关性模式进行从粗到精的运动估计，进一步提高了效率和精度。实验表明，EDFFDNet 的参数、内存和总运行时间分别减少了 70.5%、32.6% 和 33.7%，同时 PSNR 比最先进的方法提高了 0.5 dB。通过增加一个局部优化阶段，EDFFDNet-2 进一步将 PSNR 提高了 1.06 dB，同时保持了较低的计算成本。我们的方法还展示了跨数据集的强大泛化能力，优于先前的深度学习方法。
引用
@article{arxiv.2509.07662,
title = {EDFFDNet: Towards Accurate and Efficient Unsupervised Multi-Grid Image Registration},
author = {Haokai Zhu and Bo Qu and Si-Yuan Cao and Runmin Zhang and Shujie Chen and Bailin Yang and Hui-Liang Shen},
journal= {arXiv preprint arXiv:2509.07662},
year = {2025}
}