基于神经微分同胚流的拓扑保持形状重建与配准
计算机视觉与模式识别
2022-03-23 v2
摘要
深度隐式函数(DIFs)通过深度神经网络学习的连续符号距离函数表示3D几何。近来提出了基于DIFs的方法，以同时处理形状重建与密集点对应，并通过学习由DIFs建模的形状模板来捕获同类形状间的语义关系。这些方法在重建3D形状和推断对应关系中提供了极大的灵活性与准确性。然而，与基于网格的模板匹配方法不同，这些方法建立的点对应本质上并不保持形状的拓扑。这限制了它们在具有潜在且重要的拓扑结构的3D几何上的应用，例如医学图像中的解剖结构。在本文中，我们提出一种称为神经微分同胚流(NDF)的新模型来学习深度隐式形状模板，将形状表示为模板的条件微分同胚形变，从本质上保持形状拓扑。该微分同胚形变由一个由神经常微分方程(NODE)块组成的自解码器实现，其逐步将形状映射到隐式模板。我们在多个医学图像器官分割数据集上进行了大量实验，以评估NDF在形状重建与对齐上的有效性。NDF在准确率和质量上均取得了一致的state-of-the-art器官形状重建与配准结果。源代码公开于 https://github.com/Siwensun/Neural_Diffeomorphic_Flow--NDF。
引用
@article{arxiv.2203.08652,
title = {Topology-Preserving Shape Reconstruction and Registration via Neural Diffeomorphic Flow},
author = {Shanlin Sun and Kun Han and Deying Kong and Hao Tang and Xiangyi Yan and Xiaohui Xie},
journal= {arXiv preprint arXiv:2203.08652},
year = {2022}
}