基于神经图形特征的可变形图像配准用于即时运动提取
内容提要
本文综述神经变形场在图像配准与三维重建中的应用，涵盖NeurReg实现快速医学图像配准分割、cycle-GAN改善CT-MR配准、NVF与DNMP提升三维表示与渲染质量、NePhi与NDP实现高效非刚性配准，以及NDF支持人体动态数字化与新视角合成。
延伸解读
神经变形场在医学图像配准中的进展
文章介绍了NeurReg和NePhi等神经变形场方法在医学图像配准中的应用。NeurReg通过混合损失实现快速配准与分割，NePhi则能产生近似微分同胚转换，在保持精度的同时减少内存占用并加速优化。这些方法表明神经变形场能有效提升医学图像分析的效率。
跨模态配准与合成图像的挑战
针对CT和MR图像的配准问题，研究利用cycle-GAN学习模态间的强度关系来改善配准效果，并探讨了合成图像减少空间信息对模式对位的影响。这提示跨模态配准中，合成图像可能引入信息损失，需谨慎评估其适用性。
三维表示与渲染的效率优化
NVF和DNMP分别通过神经向量场和可变形神经网格基元提升三维表示与渲染质量。NVF利用矢量场建模形状，打破分辨率和拓扑限制；DNMP则以紧凑网络实现城市级辐亮场的高效构建与快速合成，兼顾质量与计算成本。
非刚性配准与动态人体数字化
NDP通过分层运动分解实现非刚性点云配准，速度提升50倍并在基准测试中取得先进结果。NDF则用于多视角视频中人体动态数字化，能合成新视角和新姿势的数字表演者，动态外观细节合理，优于近期人体合成方法。
Q&A
NeurReg是什么？它有什么特点？
NeurReg是一种基于深度学习的神经图像配准框架，具有位移场和数据相似性的混合损失，经过实验验证可以快速并精确地执行图像配准和分割，能大大加快相关医学图像分析任务。
cycle-GAN如何改善CT和MR图像的配准？
通过用cycle-GAN学习两个模态之间的强度关系，改善了CT和MR图像的配准问题，并探讨了使用cycle-GAN合成的图像减少空间信息对模式对位的影响。
神经向量场（NVF）是什么？它有什么优势？
神经向量场（NVF）是一种新的3D表示方法，充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，并提出了基于矢量量化的形状代码本学习方法，最终在不同评价场景下优于最先进方法，包括完整及非完整形状构建、类别特定和类别不可知构建、类别未知构建和跨域构建。
NePhi模型在医学图像配准中表现如何？
NePhi是一种神经变形模型，能够产生近似微分同胚转换，通过功能性表示变形实现高效训练和推断；在医学图像配准中展示出出色性能，可以达到基于体素表示的相关准确性，在单分辨率配准设置中占用更少内存并允许更快的实例优化。
神经变形金字塔（NDP）是什么？它有什么特点？
神经变形金字塔（NDP）是一种通过分层的运动分解将非刚性运动表示为金字塔结构的方法，具有多级非刚性运动分解以及50倍的速度提升，并在4DMatch/4DLoMatch基准测试中获得了先进的非刚性点云配准结果。
神经可变形场（NDF）用于什么？效果如何？
神经可变形场（NDF）用于多视角视频中人体动态数字化。首先采用拟合的参数化身体模型包围学习到的神经可变形场，并利用神经网络来映射动作到NDF的动态。实验表明，NDF能够合成具有新视角和新姿势的数字表演者，具有详细和合理的动态外观，并且明显优于最近的人体合成方法。
