本文提出 Fourier-Net 网络，使用参数自由的基于模型的解码器代替 U-Net 风格网络的扩张路径。将低维度表示在带限傅里叶域中进行学习，最后由模型驱动的解码器解码为完整的空间域中的密集位移场。与现有方法相比，我们的 Fourier-Net 网络具有更少的参数和更快的推理速度，在公共 3D 脑数据集上实现了更高的 Dice 得分和更快的推理速度。

Nov, 2022

提出了一种名为 MrRegNet 的基于掩膜引导的编码器 - 解码器深度卷积神经网络（DCNN）图像配准方法，通过多分辨率编码器提取特征并在解码器中估计多分辨率位移场来处理图像的大变形，并使用分割掩膜指导模型的注意力对齐局部区域，实验结果证明该方法在公开的 3D 脑 MRI 数据集（OASIS）和局部 2D 脑 MRI 数据集上的大变形图像中优于传统方法（如 Demons）和知名的深度学习方法 VoxelMorph，尤其在由分割掩膜引导的局部区域图像配准准确性显著提高。

May, 2024

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

本研究提出了一种未训练的简单图像模型 —— 深度解码器，它能够从非常少的权重参数生成自然图像，可以达到基于小波的阈值处理的效果，并且可以避免过拟合问题。此外，该模型简单且易于理论分析，为深度神经网络生成信号的有效表示提供了启示。

Oct, 2018

利用一种训练免费的图像编码器，本文介绍了一种新的变形图像配准方法 DINO-Reg，并在医学图像配准领域中取得了第一名的成绩。这是将通用视觉基础模型应用于医学图像配准的首次尝试。

Feb, 2024

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

May, 2019

提出了一种双流金字塔配准网络（称为 Dual-PRNet），用于无监督的三维医学图像配准，该网络采用两种流体系结构，能够从卷积特征金字塔中计算多尺度的配准场，并通过逐步变形以逐步细化配准场，能够处理大的空间或切片空间中的重要变形，该方法在两个标准的大脑 MRI 配准基准测试中表现优异。

Sep, 2019

本文介绍了一种新的像素预测器：双线性加性上采样，同时比较了各种类型解码器在各种像素级任务中的表现，发现解码器类型对于结果影响很大，并探讨了预测产生的伪影问题。

Jul, 2017