对齐-正则性权衡下的可变形图像配准评估
计算机视觉与模式识别
2025-10-14 v4
摘要
由于实现高对齐精度与保持形变正则性之间存在固有的权衡，评估可变形图像配准（DIR）具有挑战性。然而，现有的多数 DIR 工作要么未能充分解决这一权衡，要么完全忽略了它。在本文中，我们强调了现有实践中存在的问题，并提出了一种评估方案，该方案能够连续捕捉这种权衡，从而全面地评估 DIR 方法。我们首先引入了对齐正则性特征（ARC）曲线，它描述了给定配准方法在不同正则性程度下作为一种谱的性能表现。我们通过对具有各种网络架构和变换模型的代表性深度学习 DIR 方法进行实验，证明了 ARC 曲线揭示了现有评估实践中不明显的独特见解。我们进一步采用基于 HyperNetwork 的方法，该方法学习在全正则化范围内进行连续插值，从而加速了 ARC 曲线的构建并提高了其样本密度。最后，我们为从业者与配准研究人员提供了使用我们的评估方案进行细致模型评估和选择的一般性指南。
引用
@article{arxiv.2503.07185,
title = {Evaluation of Deformable Image Registration under Alignment-Regularity Trade-off},
author = {Vasiliki Sideri-Lampretsa and Daniel Rueckert and Huaqi Qiu},
journal= {arXiv preprint arXiv:2503.07185},
year = {2025}
}