- 基于结构光图像的临床面部登记新方法
神经外科的一项新方法成功地将结构光图像与 CT 扫描中的颜面深度图像进行了注册，误差很低，有希望在神经外科的临床应用中发挥有效作用。
- 大气湍流抑制的等变模板配准
通过模拟光流和引入隐函数模板，我们提出了一种强大的方法来恢复受大气湍流影响的图像的辐照度，该方法在注册中没有使用模板，避免了与模板初始化相关的伪影，并取得了最先进的性能。
- 图像拼接流程简化：将融合和矩形化集成为统一模型
通过将融合和矩形化阶段结合成一个复合模型，我们提出了一种简单和鲁棒的无需训练的图像拼接方法（SRStitcher），该方法不仅简化了图像拼接流程，而且增强了对误注册错误的容错能力。
- Reg-NF: 神经场中隐性表面的高效配准
本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。
- 监测病变增长的纵向脊柱 CT 图像配准
实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 - 腹腔镜肝切除术中术前至术中图像融合增强现实方法的客观比较
在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并 - 基于综合融合网络的双域多对比度磁共振成像重建
通过深度学习，开发了一种高效的双域重建框架用于多对比度磁共振成像，重点在于最小化图像和频率域中的对比度错位以增强优化，实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。
- 深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化
自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。
- HDMNet：一种具备双重注意力的层次匹配网络用于大规模户外激光雷达点云配准
提出了一种用于大规模室外 LiDAR 点云注册的新型分层神经网络，该网络名为 HDMNet，通过引入增强的特征一致性双软匹配网络来实现具有高灵活性的两阶段匹配，并在以补丁为单位的方式下，扩大感受野并提高效率，从而显著提高了注册性能。此外，还 - 使用一阶渐进密集配准改进不对齐的多模态图像融合
通过一阶优化，采用跨模态多尺度渐进稠密注册方案改进多模态图像融合性能，通过密集变形场聚合和渐进特征细化来准确估计最终的变形场，并结合 Transformer-Conv-based Fusion 子网络捕捉注册红外和可见图像的信息，实现高质量 - ICCV2D3D-MATR: 图像与点云之间基于 2D-3D 匹配变换器的无检测配准
采用 2D3D-MATR 方法，我们提出了一种无需检测的方法，用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上，通过学习全局上下文约束和跨模态相关性，通过 transformer 实现多尺度金字塔和图像块焦点学习，解决了尺度不确 - 脊柱手术无标记外科导航的连续姿态跟踪自动注册
本文提出了一种无辐射方法的自动注册方案，使用深度神经网络自动解决腰椎融合手术的注册问题，并结合增强现实导航系统提供直观的手术引导。在公开数据集上验证了注册方法并获得较高的注册成功率和精度，在离体手术中也取得了良好的结果，展现了 RGB-D - KDD神经影像数据的一次性联合提取、注册和分割
本文研究了神经影像数据中的一次性联合提取、配准和分割问题，提出了一种统一的端到端框架 JERS，它利用一个标记的模板图像和一些未标记的原始图像进行训练，通过自监督相互增强来优化提取、配准和分割任务。实证结果表明，我们提出的方法在提取、配准和 - ICCV远距离点云配准的密度不变特征
通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。
- TBSS++: 一种新的基于轨迹的空间统计计算方法
提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。
- 野外匹配：学习用于多模态图像的解剖嵌入
为了解决不同 FOV 的图像对齐问题，本文提出了一种名为 Cross-SAM 的新方法，该方法利用嵌入学习和 CT-MRI 注册的迭代过程，以实现跨模态匹配，并在 CT-MRI 仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的 - 通过优化引导的循环自训练实现无监督三维配准
本篇论文提出了一种基于自我训练的自监督学习方法，利用可微分的基于特征的优化器进行无监督匹配，通过不断迭代学习，得到更精确的结果，并在腹部和肺部配准方面实验表现比基于度量的监视方法更好，超越了各种最先进的竞争方法。
- 单一图像处理算法能否在动态增强磁共振成像的所有相位中同样有效？
本文旨在探讨采用不同对比度增强数据比例对 MRI 动态增强序列的图像分割和配准任务所产生的影响，发现通过预训练对比度增强数据和微调非对比度增强数据可得到更具有通用性的模型。
- 健康胰腺多重对比计算机断层扫描图谱
本文提出了一种针对胰脏器官的高分辨率计算机断层扫描（CT）图谱框架，通过深度学习技术进行肠道感兴趣区域的提取和层级注册流程以对齐人群的胰腺解剖结构，并在不同的对比度相位上进行比较和评估，进而创造了针对人类胰腺形态及外观的统一标准。
- NeRF 融合：基于 NeRF 的大规模场景表示
本文介绍了一种名为 NeRFuser 的架构，它可以在不需要访问大量用于生成它们的图像集的情况下，对 NeRF（神经辐射场）进行注册和混合。NeRFuser 使用 re-rendering 技术进行注册，提出了基于采样的反距离加权进行混合，