Mar, 2024

EfficientMorph：高参数效率的基于 Transformer 的三维图像配准架构

PDF
TL;DREfficientMorph 是一种基于 transformer 的无监督三维图像配准架构，通过平面注意机制优化本地和全局注意的平衡，通过级联组注意减少计算冗余，并通过 Hi-Res 令牌化策略捕捉细节，同时保持计算效率，在 OASIS 数据集上创下了 16-27 倍少参数的性能新纪录。
transformersmedical image registrationefficiencylocal and global attentionhi-res tokenization
发现论文，激发创造
  • TransMorph: 无监督医学图像配准的 Transformer 模型

    本文提出了 TransMorph，一种混合了 Transformer-ConvNet 模型的医学图像配准方法，并通过验证证明，该方法在医学图像配准方面性能显著优于基线方法，从而证实了 Transformer 在医学图像配准方面的有效性。

    Nov, 2021

  • XMorpher：通过交叉注意力的全 Transformer 用于可变形医学图像配准

    提出了一种名为 XMorpher 的转换网络用于医学图像变形注册任务，在该网络中，引入了全新的 Transformer 模块和注意力机制，能够逐渐提取各自的特征和发现语义对应关系，从而实现有效的变形注册。

    Jun, 2022

  • 一种用于无监督可变形图像配准的轻量级残差网络

    使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。

    Jun, 2024

  • SegFormer3D: 3D 医学图像分割的高效 Transformer

    SegFormer3D 是一种记忆高效的分层 Transformer，在 3D 医学图像分割中拥有比当前最先进模型更少的参数和更低的 GFLOPS，并在 Synapse、BRaTs 和 ACDC 等广泛使用的数据集上取得竞争性结果。

    Apr, 2024

  • 时域变换中的形状配准

    本文提出了一种基于 Transformer 的非刚性 3D 点云高效配准方法，该方法采用数据驱动方式，借鉴 Transformer 架构并结合表面密度估计，可在不同场景中实现点云配准、纹理传递和形状插值，验证实验表明其优于现有方法。

    Jun, 2021

  • 金字塔注意力网络用于医学图像配准

    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

  • 基于 Transformer 的分离模态交叉注意力 3D 人体网格恢复

    本文研究了 Transformer Encoder 在 3D 人类网格重建上的应用。提出了一种名为 FastMETRO 的新型 Transformer Encoder-Decoder 结构，对输入标记的复杂性进行了解耦，并通过注意掩码和网格上采样操作引入人体形态学关系的先验知识来提高其收敛速度和准确性。在 Human3.6M 和 3DPW 数据集上，和基于图像的方法相比明显更有效。

    Jul, 2022

  • 变形医学图像配准的相关感知粗到细多层感知器

    本研究提出了基于多窗口感知的 MLP 网络（CorrMLP）用于可变形医学图像配准，通过新颖的粗到细的配准架构捕捉细粒度的多范围依赖关系，进行多范围感知的粗到细配准，实验证明 CorrMLP 优于最先进的可变形配准方法。

    May, 2024

  • 通过运动分解 Transformer 学习可变形图像配准

    本文提出一种新颖的运动分解 Transformer (ModeT), 用于像医学图像配准中的非刚性变形估计，出色地超越了当前最先进的配准网络和 Transformer, 并展示了我们的 ModeT 的潜力。

    Jun, 2023

  • CloudAttention：用于 3D 点云学习的高效多尺度注意力方案

    使用集合转换器在分层框架中对点云进行形状分类和分割，实现了状态 - of-the-art 的性能，并可用于处理大规模稀疏数据。

    Jul, 2022