Reg-TTR：用于快速、稳健和准确图像注册的测试时细化
计算机视觉与模式识别
2026-02-02 v1
摘要
传统图像注册方法稳健但缓慢，由于其迭代性质。虽然深度学习加快了推理速度，但往往在域迁移方面表现不佳。新兴的注册基础模型在速度和稳健性之间提供了平衡，然而通常无法匹配在特定数据集上训练的专用模型的最高精度。为缓解这一局限，我们提出了 Reg-TTR，一种测试时细化框架，融合了深度学习和传统注册技术的互补优势。通过在推理时细化预训练模型的预测，我们在计算成本适中的情况下（仅增加 21% 的推理时间，0.56 秒）实现显著提升的注册精度。我们在两个不同任务上评估了 Reg-TTR，表明其在保持推理速度接近先前深度学习方法的同时，实现了最先进（SOTA）性能。随着基础模型的不断涌现，我们的框架提供了一种有效策略，以缩小注册基础模型与在特定数据集上训练的 SOTA 方法之间的性能差距。该源代码将在本工作接受后公开。
引用
@article{arxiv.2601.19114,
title = {Reg-TTR, Test-Time Refinement for Fast, Robust and Accurate Image Registration},
author = {Lin Chen and Yue He and Fengting Zhang and Yaonan Wang and Fengming Lin and Xiang Chen and Min Liu},
journal= {arXiv preprint arXiv:2601.19114},
year = {2026}
}