TCFNet：基于 Transformer 的双向面-骨变换粗到细点移动网络

计算机辅助外科模拟是颌面外科计划中的关键组成部分，准确模拟面-骨形状变换至关重要。传统的生物力学模拟方法受限于计算时间消耗、繁琐的数据处理策略以及低精度。最近提出的基于深度学习的模拟方法将此问题视为骨骼点云与面部点云之间的点到点变换。然而，这些方法无法处理大规模点、受限于感受野导致点噪声，以及基于配准的复杂预处理和后处理操作。为此，我们提出一种基于 Transformer 的粗到细点移动网络 (TCFNet)，用于学习稠密面-骨点云变换的独特且复杂的对应关系。该端到端框架采用 Transformer 网络和局部信息聚合网络 (LIA-Net) 于第一个和第二个阶段，相互强化以生成精确的点移动路径。LIA-Net 可有效补偿 Transformer 网络的邻域精度损失，通过建模局部几何结构（边缘、方向和相对位置特征）。先前的全局特征用于通过门控循环单元引导局部位移。灵感来自可调形医学图像配准，我们提出一种辅助损失，可利用专家知识重建关键器官。与收集数据集上现有最先进 (SOTA) 方法相比，TCFNet 在收敛性和可视化结果方面实现了卓越的评估指标。代码已公开于 https://github.com/Runshi-Zhang/TCFNet。