通过场景-外观解耦学习跨域图像注册的领域不变表示

在领域迁移下进行图像注册仍是计算机视觉和医学成像中的根本挑战：当源图像和目标图像显示出系统性的强度差异时，传统注册方法所基于的亮度恒定假设就被违反，导致对应估计病态。我们提出了 SAR-Net，一个统一的框架，通过 principled 场景-外观解耦来解决这一挑战。我们的关键洞察是，观察到的图像可以分解为 domain-invariant 场景表示和 domain-specific 外观代码，使通过 re-rendering 而非直接强度匹配实现注册成为可能。我们建立了该分解在什么情况下实现一致跨域对齐的理论条件 (Proposition 1)，并证明我们的场景一致性损失为共享潜在空间中的几何对应提供了充分条件 (Proposition 2)。在实证上，我们在 ANHIR (Automatic Non-rigid Histological Image Registration) 挑战基准上验证了 SAR-Net，其中多染色组织学图像显示来自不同染色方案的耦合领域迁移以及组织准备引起的几何畸变。我们的方法实现了中位数相对目标注册误差 (rTRE) 为 0.25%，超过最新 SOTA 方法 MEVIS (0.27% rTRE) 高出 7.4%，稳健性达 99.1%。代码可在 https://github.com/D-ST-Sword/SAR-NET 查阅。