本文提出了基于连续分段仿射速度场的 ODE 解及其梯度的闭式表达式，以实现时间序列联合对齐的高效和准确性。

Jun, 2022

DFORM (Diffeomorphic vector field alignment for comparing dynamics across learned models) learns a nonlinear coordinate transformation to compare the trajectories of learned models, identifying functional similarities in dynamics despite differences in attractor landscapes.

Feb, 2024

我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

Jun, 2021

通过在时间连续区间内确保微分同胚，我们提出了一种新颖的基于学习的三维图像配准方法，该方法减少了正则化项和附加积分的需求，并利用时间嵌入的 UNets 技术来实现时间连续的微分同胚流。在两个公共数据集上的实验结果表明，我们的模型相较于基于学习和基于优化的方法具有更强的优越性。

May, 2024

通过利用人类运动的规律性属性（例如稳定性、平滑性和有界性），将复杂运动编码为稳定动力系统的展开，进而提出一种通过有限的人类演示来学习这类运动的方法，并通过验证在已建立的基准测试和在现实世界的机器人系统上的演示进行论证。

May, 2020

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

本文提出一种基于梯度手术机制的注册模型 GSMorph，实现多重损失的超参数自由平衡，在两种公开的心脏 MRI 数据集上实现了优于五种 SOTA 学习型注册模型和两种传统注册技术 SyN 和 Demons 的注册精度和平滑度。

Jun, 2023

这篇论文提出了一种新颖的弹性对齐方法，采用参数化和可微分的扭曲变换来克服动态时间规整（DTW）度量的不足，该方法适用于深度学习架构，鲁棒性强，具有计算效率高、表达和灵活性强等优点。

Sep, 2023

我们提出了一种从纵向数据（即在多个时间点反复观察到的个体对象的集合）中学习形状轨迹分布的方法，并介绍了具体的 MCMC-SAEM 算法，用于评估我们的模型，应用于阿尔茨海默病中的海马 3D 脑结构形状变化情景的估计，以及分类病理轨迹与正常衰老的潜力的演示。

Mar, 2018

本文提出了一种简单但有效的方法来生成可解释神经网络分类决策的反事实案例，并探索了利用生成模型构建坐标系统的方法。文章分析了生成过程并利用定量和定性措施验证了生成的反事实案例的质量。

Jun, 2022