跳到正文
arXiv cs.AI· Aarya Bhave, Anushka Ajay Bhave, Akanksha Narula, Marius Sebastian Shokoui, Alina Hafner·· 10 小时前AI 评分20

2D Gum-Net:基于对称相关与谱池化的无监督稠密弹性图像配准

2D Gum-Net: Unsupervised Dense Elastic Image Registration via Symmetric Correlation and Spectral Pooling

AI 导读

2D Gum-Net 将原本用于冷冻电镜三维子断层对齐的 Gum-Net 迁移到二维弹性配准,以 Dense Spatial Transformer 回归稀疏控制点网格并经双三次插值生成全分辨率形变场,实现全无监督的稠密弹性形变预测。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:稠密非刚性配准,即恢复一个逐像素的形变场,将一个图像扭曲至与另一个图像在几何上一致,是医学成像、结构生物学和对应关系估计中的基础问题,然而基于学习的方法面临一个严重瓶颈:真实数据的真值形变场众所周知难以获得。我们提出 2D Gum-Net,一种完全无监督地预测稠密弹性形变场的端到端架构。我们将最初为冷冻电子断层扫描中的 3D 子断层图对齐而开发的几何无监督匹配网络(Gum-Net)迁移到 2D 弹性配准:所有三个模块均在 2D 中重新设计,刚性变换头被替换为稠密空间变换器,后者回归一个稀疏控制点网格,并通过双三次插值提升为全分辨率场 $\Phi$。下采样使用 DCT 频谱池化,实现为冻结基矩阵乘法(约 $\approx 50\times$ GPU 加速),保留了最大池化和平均池化所破坏的精细准周期结构。我们在基于接触的指纹上评估,这是该任务的一个具有挑战性的测试平台:局部自相似的脊线模式使对应关系最大化地模糊,皮肤压在传感器上会产生真实的大位移弹性畸变,而细节点作为精确地标,通过一个独立的匹配器从外部验证预测场的拓扑正确性。仅在合成印痕上训练并在真实基准上零样本评估,我们的方法在 FVC2004 上将结构相关性提升高达 15.7%,并在独立匹配器下提高真实匹配分数,同时使冒名分数基本保持不变。这表明预测的形变恢复了真实结构,而没有捏造对应关系。
评论: 19 页,11 幅图,3 张表。已被第 40 届神经信息处理系统大会(NeurIPS 2026)NewInML 研讨会接收
主题: 计算机视觉与模式识别(cs.CV);人工智能(cs.AI)
ACM 分类: I.4.3; I.2.6; I.5.4
引用为: arXiv:2611.12805 [cs.CV]
  (或本版本的 arXiv:2611.12805v3 [cs.CV])
  https://doi.org/10.48550/arXiv.2611.12805

由 DataCite 颁发 arXiv DOI

提交历史

来自:Aarya Bhave [查看邮箱]
[v1] 2026 年 11 月 9 日星期一 18:11:45 UTC(10,694 KB)
[v2] 2026 年 11 月 18 日星期三 08:55:23 UTC(9,132 KB)
[v3] 2026 年 11 月 19 日星期四 10:26:57 UTC(9,132 KB)

来源:arXiv cs.AI · arxiv.org