通过在生成敌对式登录框架中利用灵活的图像协变量 - 使得移动的模板更真实，作者重新制定了可变形模板，以获得更好的特异性和适应性，该模板能更好地拟合潜在的群体空间 - 时间趋势，并使解剖学结构更容易划分。
May, 2021
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
本文介绍了一种语义感知隐式模板学习框架，通过利用自监督特征提取器的语义先验，提出了局部条件和全局条件的语义感知变形代码以及变形一致性正则化，从而实现了语义上合理的变形。通过大量实验证明了该方法在关键点转换、部位标签转换和纹理转换等各种任务中的优越性能，尤其在更具挑战性的任务中取得了更大的性能提升。
Aug, 2023
本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。
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
通过卷积神经网络同时预测畸变图和恒定速度场参数化，利用成对图像对齐损失以提高医学图像配准精度，实现了 3D 膝关节磁共振成像的快速、端到端训练和测试，且表现优于其他同类算法。
Feb, 2022
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
本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。
Feb, 2018
提出了一种基于全卷积图神经网络的学习方法，用于虚拟试穿应用。该方法可以适用于许多服装类型，并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模，我们的模型学习了更精细的细节，提高了试穿模型的性能。
Sep, 2020
使用潜在扩散模型生成变形场，将一般人群的解剖图谱转化成代表特定亚人群的解剖图谱，以提高结构合理性和解决直接图像合成过程中的虚构问题。我们的方法通过对比实验，使用来自 UK Biobank 的 5000 个脑部和全身 MR 图像，生成具有平滑变形和高解剖逼真度的高度真实的图谱，优于基准方法。
Mar, 2024