仅编码器的图像配准
计算机视觉与模式识别
2026-01-16 v3
摘要
基于学习的技术显著提高了可形变图像配准的准确性和速度，但仍面临计算复杂度降低和大变形处理等挑战。为此，我们分析卷积神经网络 (ConvNets) 如何影响配准性能，基于 Horn-Schunck 光流方程。依托先前研究和我们的实证实验，我们观察到 ConvNets 在配准中发挥两个关键作用：线性化局部强度和调和全局对比度变化。基于这些洞察，我们提出 Encoder-Only Image Registration (EOIR) 框架，以实现更好的准确性-效率权衡。EOIR 将特征学习与流估计分离，仅使用 3 层 ConvNet 进行特征提取，并采用一组 3 层流估计算法构建拉普拉斯特征金字塔，逐步构建大变形模型下的光滑变形。结果表明，在来自不同模态和解剖区域的五个数据集上，EOIR 有效实现了准确性-效率和准确性-平滑性的最佳权衡。EOIR 在准确率相当的情况下提供更好的效率和平滑性，反之亦然。EOIR 的源代码已公开发布于 https://github.com/XiangChen1994/EOIR。
引用
@article{arxiv.2509.00451,
title = {Encoder-Only Image Registration},
author = {Xiang Chen and Renjiu Hu and Jinwei Zhang and Yuxi Zhang and Xinyao Yu and Min Liu and Yaonan Wang and Hang Zhang},
journal= {arXiv preprint arXiv:2509.00451},
year = {2026}
}
备注
accepted by IEEE Transactions on Circuits and Systems for Video Technology