Quicksilver是一种基于深度编码器-解码器网络的快速可变形图像配准方法，能够准确预测通过数值优化得到的配准结果，并具有出色的配准效果和预测精度，同时能够联合学习图像相似度度量和校准网络。

Mar, 2017

本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。

May, 2018

提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏Cine-MRIs上的实验结果显示出本方法目前显示了最先进的性能。

Dec, 2018

本文介绍一种基于概率生成模型和卷积神经网络的无监督学习算法，该算法融合了经典形变配准技术的思想，达到了先进的精度和速度，并提供拓扑保持的注册保证。作者在3D脑部配准任务上进行了广泛的实证分析。

Mar, 2019

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

本研究提出了一种新颖、高效的非监督对称图像配准方法，通过在微分同胚映射空间内最大化图像之间的相似度，同时估计正向和反向变换来实现高精度的配准，同时保持所需的微分同胚特性。

Mar, 2020

本研究提出了一种基于深度学习的Laplacian金字塔图像注册网络，可以在差分同胚映射空间内以逐层逼近的方式解决图像配准优化问题，并在两个MR脑扫描数据集上得出了比现有方法更优越的结果，同时保持理想的差分同胚性和良好的配准速度。

Jun, 2020

本文提出一种用于深度可变形图像配准的新的有条件图像配准方法和自监督学习范式，通过学习与正则化超参数相关的条件特征，论文证明了单个深度卷积神经网络能够捕捉任意超参数的最优解，并且所得到的变形场平滑度可以在推理过程中以任意强度已调，大规模脑MRI数据集的丰富实验结果表明，该方法可实现对变形场平滑度的精确控制，同时不会牺牲运行时间的优势或配准准确性。

Jun, 2021

该文介绍了一种新型、通用且准确的变形图像配准框架，该框架利用了神经普通微分方程来实现，可以应用于医学图像分析领域，使用深度神经网络来模拟动态系统，实现了图像之间的配准，并且可以同时使用多张图像，采用一致的变换方法。

Aug, 2021

本文提出Fourier-Net网络，使用参数自由的基于模型的解码器代替U-Net风格网络的扩张路径。将低维度表示在带限傅里叶域中进行学习，最后由模型驱动的解码器解码为完整的空间域中的密集位移场。与现有方法相比，我们的Fourier-Net网络具有更少的参数和更快的推理速度，在公共3D脑数据集上实现了更高的Dice得分和更快的推理速度。

Nov, 2022