KeyMorph 是一种基于深度学习的图像配准框架，其利用检测到的对应关键点获取最佳变形，以及解决了目前图像配准中的一些问题。该框架在多模式脑 MRI 扫描的 3D 仿射和样条配准中展现出了超越当前最先进方法的准确性。

Apr, 2023

VoxelMorph 是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

Sep, 2018

PatchMorph 是一种新型的随机深度学习算法，用于无监督的三维脑图像配准。与其他方法不同，我们的方法使用了具有恒定小尺寸的紧凑补丁，以得到既能够结合全局变换又能进行局部变形的解决方案。这种方法在训练过程中最小化了 GPU 的内存占用，同时可以在推理过程中处理大量随机重叠的小补丁，从而减轻图像和补丁边界问题。PatchMorph 能够处理两个输入图像之间的世界坐标变换，适应间距、数组大小和方向等属性的变化。补丁的空间分辨率从粗到细，同时处理全局和局部属性，以实现图像对齐所必需的功能。每个补丁都提供了独特的视角，并一起收敛到一个全面的解决方案。对人类 T1 MRI 脑图像和序列 2-photon 层析成像的 marmoset 脑图像的实验证明了 PatchMorph 的出色性能。

Dec, 2023

本文提出了一种基于高斯过程的新型开源面部配准管道以及其对面部图像分析的应用。通过引入面部对称性、多尺度和空间变化细节，该配准策略和建模技术可以应用于中性面部和面部表情，帮助构建三维可塑面部模型。同时，还发布了 BFM-2017 的新版本，其中包括更好的年龄分布和额外的面部表情模型，其开源软件框架及其实现的 AU 分析与综合模型适应（Analysis-by-Synthesis model adaption）已在多 PIE 和 LFW 数据库上进行了测试。

Sep, 2017

MambaMorph 是一种创新的多模态可形变注册网络，特别适用于磁共振（MR）和计算机断层扫描（CT）图像对齐。它通过使用 Mamba 块进行高效的远程建模和高维数据处理，以及学习细粒度特征的特征提取器，提高了注册准确性。实验结果表明 MambaMorph 在 MR-CT 注册中具有优秀的性能，凸显了其在临床应用中的潜力。

Jan, 2024

该研究介绍了 GeoMorph，一种用于皮层表面图像配准的新型几何深度学习框架。通过应用图卷积进行独立特征提取和深度离散注册，GeoMorph 能够捕捉重要的皮层表面特征，并实现平滑且符合生物学的变形，展现出出色的性能和潜力，适用于多种神经科学应用。

Nov, 2023

VMambaMorph 是一种基于 VMamba 和 CNN 的网络，专门为 3D 图像配准设计，利用公共基准脑 MR-CT 配准数据集验证了其与当前最先进方法的竞争性配准质量。

Apr, 2024

我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

Jun, 2021

Registration by Regression (RbR) 是一种高度鲁棒和灵活的新型图谱配准框架，可以使用经济获取的数据进行训练，并通过拟合各种可能的变形模型来提供更准确的配准。

Apr, 2024

综合上述研究，我们提出了一种新的 “动量、射击和修正” 框架，用于在存在重复模式和大运动的情况下进行拉格朗日运动估计，能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。

Aug, 2023