FireANTs：面向多尺度光滑映射的自适应黎巴洛瓦优化
计算机视觉与模式识别
2026-03-05 v5
摘要
本文提出了 FireANTs，这是一种用于稠密光滑映射的多尺度自适应黎巴洛瓦优化算法。现有的专用方法因实现效率低下和优化问题条件不良导致收敛缓慢。深度学习方法虽提供快速推断，但需要大量训练时间、大量推断内存，并且难以在长尾分布或多样化图像模态上泛化， necessitating 昂贵的重新训练。我们通过提出一种无训练、基于 GPU 的多尺度自适应黎巴洛瓦优化算法来解决这些挑战，实现快速且精准的稠密光滑映射。FireANTs 在 CPU 上运行速度约为 ANTs 的 2.5 倍，在 GPU 上可达约 1200 倍。单 GPU 上，FireANTs 在推断运行时间上与深度学习方法相当，同时内存消耗最多可降低 10 倍。FireANTs 在无需特定领域训练或调参的情况下，对各种匹配问题具有惊人的鲁棒性，涵盖不同模态、不同物种和不同器官。我们的框架允许进行显著减少的资源和时间的超参数网格搜索研究，相较于传统和深度学习配准算法而言尤为有效。
引用
@article{arxiv.2404.01249,
title = {FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching},
author = {Rohit Jena and Pratik Chaudhari and James C. Gee},
journal= {arXiv preprint arXiv:2404.01249},
year = {2026}
}
备注
Accepted at Nature Communications