NePhi: 用于近似差异同相医学图像配准的神经变形场

Sep, 2023

NePhi: 用于近似差异同相医学图像配准的神经变形场

$\texttt{NePhi}$: Neural Deformation Fields for Approximately Diffeomorphic Medical Image Registration

Lin Tian, Soumyadip Sengupta, Hastings Greer, Raúl San José Estépar, Marc Niethammer

TL;DR本研究提出了一种神经变形模型 NePhi，该模型能够产生近似微分同胚转换，并通过功能性表示变形实现了高效的训练和推断；NePhi 在医学图像配准中展示了出色的性能，可以达到基于体素表示的相关准确性，在单分辨率配准设置中占用更少的内存并允许更快的实例优化。

Abstract

This work proposes $\texttt{NePhi}$, a neural deformation model which results in approximately diffeomorphic transformations. In contrast to the predominant voxel-based approaches, $\texttt{NePhi}$ represents def

neural deformation model diffeomorphic transformations memory-efficient training medical image registration gradient inverse consistency regularization

发现论文，激发创造

NeurReg：神经注册及其在图像分割中的应用

本研究提出了一种基于深度学习的神经映像配准框架 NeurReg，其具有位移场和数据相似性的混合损失，经过广泛实验验证表明可以快速并精确地执行图像配准和分割，可大大加快相关医学图像分析任务。

Oct, 2019

基于神经图形特征的可变形图像配准用于即时运动提取

该研究提出了一种新颖的方法，利用神经图形原语（NGP）来优化位移向量场（DVF），通过浅层神经网络在空间内插值来进行自我监督优化，达到了 1.77 秒的非常快的速度，并且解决了传统 DIR 方法中常见的滑动边界问题。

Feb, 2024

神经形变金字塔的非刚性点云配准

本文提出一种名为神经变形金字塔（NDP）的方法，通过分层的运动分解将非刚性运动表示为金字塔结构，具有多级非刚性运动分解以及 50 倍的速度提升，并在 4DMatch/4DLoMatch 基准测试中获得了先进的非刚性点云配准结果。

May, 2022

学习可微同构配准的概率模型

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

Reg-NF: 神经场中隐性表面的高效配准

本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。

Feb, 2024

NDF: 动态人体建模的神经可变场

本文提出了神经可变形场（NDF）来用于多视角视频中人体动态数字化。首先，采用拟合的参数化身体模型包围学习到的神经可变形场，并利用神经网络来映射动作到 NDF 的动态。实验表明，NDF 能够合成具有新视角和新姿势的数字表演者，具有详细和合理的动态外观，并且明显优于最近的人体合成方法。

Jul, 2022

具有拉普拉斯金字塔网络的大变形形变图像配准

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

Nerfies: 可变形神经辐射场

描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

Nov, 2020

PULPo: 概率无监督的拉普拉斯金字塔配准

通过使用概率建模与拉普拉斯金字塔技术，PULPo 方法在医学图像配准中达到高配准性能并且能够较好地量化不确定性。

Jul, 2024

DReg-NeRF：神经辐射场的深度配准

通过使用 DReg-NeRF 方法，我们能够在不需要人为干预的情况下解决对象中心场景的 NeRF 注册问题，并通过构建一个新颖的视图综合数据集进行训练，从而在测试集上显著超过目前最先进的点云注册方法。

Aug, 2023