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

这项研究介绍了一种不需要离散化的正则化策略，它在医学图像配准中保留了物理上激励的优势，同时与当前的配准框架兼容，并在合成和真实数据集中表现出与当前最先进方法相当的准确性。

Dec, 2023

该研究提出了一种名为 HyperPredict 的方法，它使用多层感知器在没有标记数据的情况下评估超参数的影响并选择最佳值，以选择特定图像对的最佳超参数进行注册，该方法在脑部医学影像数据集上表现出良好性能。

Mar, 2024

采用递归对齐的方式，使用循环注册神经网络计算每个元素的局部变形，最终的空间对齐由所有局部变形的总和得到；使用该方法可以检测图像中非对齐的区域并学习如何适当地进行本地注册。在用于肺部磁共振图像的实验中，该方法与当前标准的参数化 B 样条配准方法相比，准确性不相上下，但给出了更紧凑的变换表示，并且加速了约 15 倍。

Jun, 2019

HyperMorph 是一种学习的策略，可以用于可变形图像配准，其中使用摊销的超参数学习框架来学习超参数对形变场的影响。该方法可以通过单一的模型捕获具有连续内部的超参数值来加快计算速度，降低计算负担，并提高灵活性。

Jan, 2021

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

本文提出了一种新的关系规范化方法 —— 超球均一性，以影响神经元之间的相互作用，进而为神经网络打下适当的归纳偏差，从而实现对新数据的良好泛化。

Mar, 2021

本研究论文调查了流行的基于深度学习的图像配准方法的模型行为，并提出了一种基于正规化的新颖的合理性验证方法来减少逆一致性错误并同时增加鉴别能力。通过实验结果支持理论发现，证明了该方法在提高模型合理性方面的有效性。

Jul, 2023

本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。

Nov, 2023