融合CNN特征的拟共形模型用于大形变图像配准
计算机视觉与模式识别
2022-06-30 v3 计算几何
机器学习
复变函数
摘要
图像配准在过去的几十年中得到了广泛研究，在科学、工程和医学中有众多应用。大多数用于大形变图像配准的传统数学模型依赖于预设 landmarks，这通常需要繁琐的手动标注且容易出错。近年来，利用机器学习进行图像配准的兴趣激增。在本文中，我们通过融合拟共形理论（quasiconformal theory）与卷积神经网络（CNN）开发了一种用于大形变图像配准的新方法。更具体地，我们提出了一种带有新颖保真项的拟共形能量模型，该保真项融合了使用预训练 CNN 提取的特征，从而无需任何预设 landmarks 的引导即可获得有意义的配准结果。此外，与许多先前的图像配准方法不同，我们的方法的可逆性由拟共形理论保证。实验结果表明了所提方法的有效性。更广泛地说，我们的工作揭示了如何将严格的数学理论与实用的机器学习方法相融合，以开发具有更优性能的计算方法。
引用
@article{arxiv.2011.00731,
title = {Quasiconformal model with CNN features for large deformation image registration},
author = {Ho Law and Gary P. T. Choi and Ka Chun Lam and Lok Ming Lui},
journal= {arXiv preprint arXiv:2011.00731},
year = {2022}
}