本文提出了一种基于深度学习的3D骨重建方法，能够从二维X射线图像中高效估计骨头结构，预测精度优于其他方法。同时，研究介绍了自监督学习和CT-MRI注册技术，优化了医学图像中的骨折检测，提高了手术图像配准的准确性和效率，展示了深度学习在医学影像分析中的潜力。

本文介绍了多种基于深度学习的医学图像处理方法，包括超声图像特征定位、MR-CT图像配准、肝脏手术中的增强现实应用及自主机器人超声系统。这些方法提高了医学图像的配准精度和处理速度，旨在减轻医疗负担并改善患者体验。

该研究提出了多种基于深度学习的跨模态知识迁移和图像配准方法，包括无监督深度视觉几何估计、交叉模态匹配模型的噪声鲁棒性提升，以及新型无监督跨模态单应性估计框架SCPNet，展示了在不同模态下的有效性和性能提升。

本文综述了深度学习在医学图像配准中的应用进展，提出了多种基于卷积神经网络的算法，以提高图像对齐的准确性和速度。研究表明，深度学习技术能有效优化图像配准过程，推动医学图像分析的发展。

本文介绍了一种新的图像与点云跨模态配准方法DeepI2P，该方法通过预训练模型和深度特征提取显著提高了配准准确性。实验结果表明，该方法在多个基准测试中表现优异，内点比率和配准召回率均有显著提升。

本文提出了一种新方法，利用2D3D-MATR技术实现图像与点云的准确配准。该方法通过学习全局上下文和跨模态相关性，解决了尺度不确定性问题，显著提高了配准率和稳定性。研究还介绍了几何变换器和基于Transformer的点云补全方法，展示了在低重叠情况下的鲁棒性和高效性。实验结果表明，这些方法在多个基准测试中优于现有技术。

本研究提出了一种高效的非监督对称图像配准方法，通过最大化图像相似度和估计变换，实现高精度配准。该方法结合卷积神经网络，显著提高了配准速度和准确性，适用于医学和非医学图像，并具有拓扑保持特性。

该研究提出了一种弱监督的MRI与组织病理学图像配准方法，旨在早期检测前列腺癌，减轻前列腺分割负担并提高准确度。通过卷积神经网络实现多模态图像对齐，具有广泛适用性和实时自动化能力。研究还探讨了无监督和半弱监督注册流程，改进模型性能，适用于临床数据集，显示出优越的配准效果。

本文介绍了一种基于隐式神经表示的连续时空图像变形方法（CPT-DIR），显著提高了图像配准的准确性和速度，尤其在复杂区域表现优于传统方法。研究利用cycle-GAN改善CT与MR图像配准，提出多目标深度学习方法，优化腹部MRI与CT图像的变形矢量场估计，提升了配准精度，适用于肝脏放射治疗。

本文提出了一种新颖的2D3D-MATR方法，实现了图像与点云的高效配准，解决了尺度不确定性问题，提升了配准率和稳定性。同时，研究了基于Transformer的多视角3D姿态估计，提出了Epipolar field概念，增强了2D预测器性能。实验结果表明，该方法在多个基准数据集上表现优异。

该研究提出了多种基于深度学习的图像配准方法，包括利用神经图形原语优化位移向量场、使用cycle-GAN改善CT与MR图像配准以及无监督关键点检测。这些方法在提高配准精度和速度方面表现优越，具有临床应用潜力，特别是在肿瘤监测和手术决策中。

本文介绍了一种基于条件归一化流的新架构，适用于快速三维重建和实时三维采集。通过深度学习技术，提出了多模式图像配准方法，提升了光学技术的准确性。同时，研究还优化了超声定位显微镜的分辨率，并展示了其在医学图像分析中的应用潜力。

本文提出了一种多目标三维变形图像配准方法，针对医学图像中的大幅度变形和内容不匹配问题，结合深度学习和GPU加速，显著提升了乳腺磁共振图像的配准精度，实验结果良好。

本文提出了一种通用方法来优化惩罚参数的值，并在线性二次问题的背景下，提出了一种新的封闭形式公式来计算最佳松弛参数。该方法在图像配准、去模糊和MRI重建等应用中经过实验证明了其有效性。

该文章介绍了一种基于隐式神经表征的新型图像配准方法，解决了具有类似解剖结构但其中一个图像包含其他特征或工件而另一个图像中没有的脑图像的配准难题。该方法通过分解图像为支撑图像和残差图像，并联合执行配准，实验结果表明该方法优于其他配准技术。