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

我们提出了金字塔注意力网络（PAN）用于可变形医学图像配准，通过引入双流金字塔编码器和局部多头注意力变换器实现特征表示和分析运动模式，取得了较好的配准性能。

Feb, 2024

本文提出了一种深度 Laplacian 金字塔超分辨率网络，通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构，实现了较高的图像质量和运行时间。

Oct, 2017

提出了一种基于概率密度优化和深度学习的非线性医学图像配准方法，该方法通过近似最小卷积和平均场推断进行可微位移正则化，在少量标记的扫描中可实现较高准确度。

Jul, 2019

本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法，通过设计一个深度编码器 - 解码器网络来学习图像外观与图像配准参数之间的像素 / 体素映射，特别针对 LDDMM，通过预测 LDDMM 动量参数化，使计算时间大幅减少。同时，我们创建了贝叶斯概率版本的网络，允许在测试时间使用 dropout 的蒙特卡罗采样来评估变形场的不确定性。

Jul, 2016

本文介绍了一种轻量级网络结构（LPNet）用于图像去雨，采用高斯 - 拉普拉斯图像金字塔分解技术简化学习过程，并采用递归和残差网络结构，以不到 8K 的参数达到最先进的性能，同时讨论了 LPNet 在其他低级和高级视觉任务中的潜在价值。

May, 2018

通过使用深度学习，我们提出了一种无需预定义注册示例的机制来进行医学图像分析中的图像注册，包括仿射和可变形图像注册，性能可与传统图像注册相当，但速度快了几个数量级。

Sep, 2018

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

在乳腺手术规划中，通过准确地对患者不同位置的磁共振图像进行注册，可以改善乳腺癌治疗中肿瘤的定位。本文提出了适用于乳腺磁共振图像注册的学习策略，克服了乳腺图像中纹理信息不足和变形需要满足微分同胚约束的困难，同时给出了基于模拟和体内实验的早期实验结果。本文的一个关键贡献是提出的注册网络在乳腺图像的注册中产生了优越的结果，并提供了微分同胚保证。

Sep, 2023

提出了一种基于深度学习的多层次方法来解决图像配准领域中传统方法存在的问题，将深度学习和多层次框架结合使用，特别是在呼吸道成像的配准中取得了显著的进展。

Sep, 2019