User Registration插件在6.3及以上版本中存在权限提升漏洞，攻击者可以管理员身份注册。建议使用Docker搭建测试环境。

微软亚洲研究院的ACE Talk系列讲座邀请北京大学副教授卢宗青，主题为“利用互联网视频扩展类人机器人学习”。他将探讨如何通过视觉-语言模型、动作模型和强化学习，利用互联网视频数据教授机器人类人技能。讲座定于6月11日举行，欢迎报名参加。

本研究提出了一种无标志的预操作到操作内注册框架，解决了传统肝脏注册方法的模糊性和信息整合不足的问题。通过自监督学习，该方法将3D-2D工作流程转变为更高效的3D-3D注册管道，展现了在临床应用中的优越性和潜力。

本研究提出了一种不确定性感知层次注册网络，旨在解决图像与点云注册中的关键特征忽视和域间差异问题。通过不确定性感知层次匹配模块和对抗性模态对齐模块，实现了多层次特征融合。实验结果表明，该方法在图像到点云注册任务中表现优异。

该研究提出了一种基于稳定注册的3D形状对应框架，解决了角色形状对应的稳定性问题。通过引入新的语义流引导注册方法，该框架在复杂场景中显著提升了形状对应的可靠性，拓展了实际应用的可能性。

本研究提出了一种名为xvr的全自动框架，解决了2D/X射线与3D预术体积配准的泛化问题。该框架通过物理仿真生成患者特定的训练数据，实现高效的配准，具有优异的泛化能力和亚毫米级的配准精度，显著优于现有方法。

本研究提出了一种名为DefTransNet的端到端变换器架构，旨在提高非刚性点云配准在噪声和大变形下的鲁棒性。实验结果表明，该方法在多种挑战条件下优于现有技术，为软组织外科手术提供了更准确的组织变形理解工具。

本研究提出了一种基于先验引导的稀疏专家混合方法，旨在解决点云配准中的重叠区域模糊结构问题。实验结果显示，该方法在3DMatch和3DLoMatch基准测试中分别达到了95.7%和79.3%的配准召回率。

本研究提出了一种新型多模态姿态估计模型，有效解决了XR设备中的全身动作跟踪问题，显著提高了准确性和应用范围。

本研究提出了一种端到端的深度学习框架，解决动态MRI中因时间限制和生理运动导致的k空间数据欠采样问题。该框架集成了自适应动态k空间采样、图像重建和配准，显著提升了动态图像重建质量和变形场估计准确性，对心脏成像和放疗等临床应用具有重要影响。

本研究提出了一种DCCNN-LSTM-Reg框架，旨在解决对映医学图像配准中动态对称路径学习的不足。该方法结合深度学习与对映数学，通过多个对称配准模块实现图像的对称变换，实验结果表明其性能优于现有技术。

本研究提出了一种新方法INTEGER，旨在解决无监督点云配准中的优化目标不足问题。通过特征几何一致性挖掘模块，结合上下文信息和几何线索，动态适应教师网络，生成可靠的伪标签。实验结果表明，INTEGER在准确性和普遍性方面表现优异。

本研究提出了一种自监督的二维/三维注册方法，利用群等变卷积神经网络提取旋转等变特征，解决了刚性单切片体积注册的不足。该方法在无解剖先验数据的情况下，在NSCLC-Radiomics CT和KIRBY21 MRI数据集上表现优异，绝对中位角误差低于2度，特征匹配准确率达89%。

本研究提出了一种新颖的去噪扩散模型DiffuseReg，用于无监督可变形图像配准，解决了传统方法的可解释性和实时观察能力不足的问题。研究表明，DiffuseReg在ACDC数据集上的表现优于现有方法，Dice分数提升1.32，显示出显著的实时输出优势。

本研究提出了NestedMorph模型，利用嵌套注意力机制提高不同模态医学图像（如T1加权MRI与扩散MRI）的可变形配准精度。实验结果表明，NestedMorph在多个关键指标上优于现有方法，显示出良好的应用潜力。

本研究提出了一种新型混合描述符，旨在解决3D点匹配和点云配准中的局部几何特征不足问题。该方法结合了局部几何属性和基于学习的特征传播，在处理噪声和低重叠点云数据时表现出显著优势。

该研究提出了一种基于纯MLP架构的点云配准网络，解决了传统方法在资源受限环境中的高计算和内存需求问题。通过离线构建几何信息嵌入，显著降低了推理时间和资源消耗，提高了点云分析的速度和可靠性。

本研究提出了CCT-R框架，解决了半监督医学图像分割中利用有限标记数据和丰裕未标记数据的不足。该方法结合了配准信息，通过注册监督损失和增强正样本采样模块，使得模型在面对仅有一个标记案例时依然表现优越。