Deep Implicit Optimization for Robust and Flexible Image Registration

深度学习在图像配准中已经取得了极大的成功，因为它们的速度和训练时能够结合弱标签监督。然而，深度学习方法放弃了许多经典基于优化的方法的优点。深度网络的函数性质不能保证预测的变换是配准目标的局部最小值，变换的表示（位移/速度场/仿射）是固定的，而且网络对于领域漂移不具有鲁棒性。我们的方法旨在通过将优化作为深度网络的一层来弥合经典方法和学习方法之间的差距。我们训练了一个深度网络来预测多尺度密集特征图像，这些图像使用黑盒迭代优化求解器进行配准。然后，我们使用这个最优变形来最小化图像和标签对齐误差。通过通过迭代优化求解器进行端到端的隐式微分，我们的学习特征是配准和标签感知的，而变形函数保证是特征空间中配准目标的局部最小值。我们的框架在域内数据集上表现出色，并且对于各种领域漂移（如各向异性和不同的强度分布）是不可知的。我们的方法首次允许在测试时在任意变换表示（自由形式到微分同胚）之间进行切换而无需重新训练。端到端特征学习还有助于特征的可解释性，并且可以在推断时使用额外的标签保真度项进行快速预测。

本文旨在通过将优化作为深度网络中的一层来弥补经典和学习方法之间的差距，以提高图像配准的准确性和鲁棒性。

本文的关键思路是将优化作为深度网络中的一层，通过预测多尺度密集特征图像并使用黑盒迭代优化求解器进行配准，从而最小化图像和标签对齐误差。

本文的亮点包括：使用优化作为深度网络中的一层，使得网络预测的变换能够保证是注册目标的局部最小值；通过隐式微分实现端到端特征学习，从而使得学习到的特征具有配准和标签感知性；可以在测试时自由切换任意变换表示（自由形变到微分同胚变形）而无需重新训练；实验结果表明该方法在数据集内和数据集间的配准效果都很好。

最近的相关研究包括：基于深度学习的图像配准方法和基于优化的图像配准方法。