SuperWarp：基于 U-Net 监督学习与变形的不变亚体素精度配准
计算机视觉与模式识别
2022-05-17 v1 机器学习
图像与视频处理
摘要
近年来，基于学习的图像配准方法已逐渐从使用目标变形的直接监督转向自监督，并在若干配准基准中取得优异结果。这些方法利用惩罚固定图像与移动图像间强度差异的损失函数，以及对变形的合适正则化。本文中，我们认为监督配准方法的相对失败部分可归咎于常规 U-Net 的使用，其共同承担特征提取、特征匹配与变形估计任务。我们引入对 U-Net 一个简单但关键的修改，将特征提取与匹配同变形预测解耦，使 U-Net 能在变形场演化时跨层级对特征进行扭曲。经此修改，使用目标变形的直接监督开始优于需分割的自监督方法，为无分割图像配准提供新方向。我们希望这篇初步研讨会论文的发现能重新点燃对监督图像配准技术的研究兴趣。我们的代码公开于 https://github.com/balbasty/superwarp。
引用
@article{arxiv.2205.07399,
title = {SuperWarp: Supervised Learning and Warping on U-Net for Invariant Subvoxel-Precise Registration},
author = {Sean I. Young and Yaël Balbastre and Adrian V. Dalca and William M. Wells and Juan Eugenio Iglesias and Bruce Fischl},
journal= {arXiv preprint arXiv:2205.07399},
year = {2022}
}