介绍了 3DRegNet 技术，它是一种用于三维扫描配准的深度学习架构，基于点对应关系分类为内点 / 外点，回归运动参数，提供了两种替代方案，并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法，包含源代码。

Apr, 2019

该研究介绍了一种用于增强医学图像领域普适性的新框架，特别关注于利用未标记的多视角彩色底片照片。与依赖单视图成像数据且在不同临床场景中通用性有挑战的传统方法不同，我们的方法利用未标记的多视角成像数据中的丰富信息来提高模型的稳健性和准确性。通过结合类别平衡方法、测试时间适应技术和多视角优化策略，我们解决了常常影响机器学习模型在实际应用中性能的关键问题 —— 领域偏移。与现有基线方法和最先进方法相结合，实验证明我们的方法在与其它领域普适性和测试时间优化方法的比较中始终表现出色。我们还展示了我们的在线方法改进了所有现有技术。我们的框架改进了领域普适性能力，通过促进对新的未知数据集的在线适应，为实际部署提供了实用解决方案。我们的代码可在此 https URL 中获得。

Mar, 2024

本文提出了一种全新的称为 “SuperRetina” 的端对端论文匹配方法，它是第一个具有可共同训练关键点检测器和描述符的方法。该算法是处于半监督状态下进行训练。经过多项测试，得出该算法的性能表现优秀。

Jul, 2022

本研究提出了 RegNet，这是第一个使用卷积神经网络（CNN）推断多模式传感器之间的六自由度（DOF）外部校准的方法，与现有方法相比，RegNet 将所有传统校准步骤（特征提取、特征匹配和全局回归）投射到一个单一的实时可行的 CNN 中。

Jul, 2017

本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

Apr, 2017

医学图像配准对疾病诊断和治疗至关重要，能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法，并重点关注了视网膜图像配准的最新进展及其面临的挑战，同时提供未来研究的见解和展望。

Mar, 2024

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

利用深度学习的方法，本研究提出了一种名为 ConKeD 的新型描述符，结合领域特定关键点实现视网膜图像配准，并通过新颖的多正面多负面对比学习策略，展示了比传统方法更好的性能，具有潜在的发展和应用前景。

Jan, 2024

本文提出了一种用于大规模室外激光雷达点云注册的高效分层网络 HRegNet，其中使用分层提取的关键点和描述符进行注册，并结合深层可靠特征和浅层精准位置信息以实现稳健和精确的注册。 通过对两个大规模室外 LiDAR 点云数据集进行广泛实验，证明了该网络的高精度和高效性。

Jul, 2021

通过对 ConKeD 框架进行改进与扩展，使用自监督对比学习方法在医学图像注册领域取得了最先进的性能，超越了当前最佳方法

Apr, 2024