Fine-grained Context and Multi-modal Alignment for Freehand 3D Ultrasound Reconstruction

精细的时空学习对于自由手三维超声重建至关重要。以往的研究主要依赖于粗粒度的空间特征和分离的时间依赖学习，并且在精细的时空学习方面存在困难。由于长距离依赖的学习困难，以往在精细尺度上挖掘时空信息是极具挑战性的。在这个背景下，我们提出了一种新的方法，利用状态空间模型（SSM）的长距离依赖管理能力来解决上述挑战。我们的贡献有三个方面。首先，我们提出了ReMamba，通过设计多方向SSM来挖掘多尺度的时空信息。其次，我们提出了一种自适应融合策略，引入多个惯性测量单元作为辅助时间信息，以增强时空感知。最后，我们设计了一种在线对齐策略，将时间信息编码为伪标签，进行多模态对齐以进一步提高重建性能。对两个大规模数据集进行的广泛实验验证表明，我们的方法比竞争对手有显著的改进。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出的ReMamba方法通过设计多方向的状态空间模型来挖掘多尺度的时空信息，引入多个惯性测量单元作为辅助信息来增强时空感知，以及设计在线对齐策略将时间信息编码为伪标签进行多模态对齐，实验结果在两个大规模数据集上表现出显著的改进。

相关研究：最近在这个领域中，还有哪些相关的研究被进行？能否列举一些相关研究的论文标题？