論文の概要: Intraoperative 2D/3D Registration via Spherical Similarity Learning and Inference-Time Differentiable Levenberg-Marquardt Optimization

• arxiv url: http://arxiv.org/abs/2509.06890v1
• Date: Mon, 08 Sep 2025 17:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.276729
• Title: Intraoperative 2D/3D Registration via Spherical Similarity Learning and Inference-Time Differentiable Levenberg-Marquardt Optimization
• Title（参考訳）: 球面類似性学習と推論時間差による術中2D/3Dレジストレーション
• Authors: Minheng Chen, Youyong Kong,
• Abstract要約: 術中の2D/3D登録は術前の3Dボリュームとリアルタイムの2Dラジオグラフィーを一致させ、機器やインプラントの正確な位置決めを可能にする。 既存のユークリッド近似は、多様体の構造を歪め、収束を遅くする。 非ユークリッド球面特徴空間における類似性学習について検討し、複素多様体構造をよりよく捕捉し適合させる。
• 参考スコア（独自算出の注目度）: 17.28038933121844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intraoperative 2D/3D registration aligns preoperative 3D volumes with real-time 2D radiographs, enabling accurate localization of instruments and implants. A recent fully differentiable similarity learning framework approximates geodesic distances on SE(3), expanding the capture range of registration and mitigating the effects of substantial disturbances, but existing Euclidean approximations distort manifold structure and slow convergence. To address these limitations, we explore similarity learning in non-Euclidean spherical feature spaces to better capture and fit complex manifold structure. We extract feature embeddings using a CNN-Transformer encoder, project them into spherical space, and approximate their geodesic distances with Riemannian distances in the bi-invariant SO(4) space. This enables a more expressive and geometrically consistent deep similarity metric, enhancing the ability to distinguish subtle pose differences. During inference, we replace gradient descent with fully differentiable Levenberg-Marquardt optimization to accelerate convergence. Experiments on real and synthetic datasets show superior accuracy in both patient-specific and patient-agnostic scenarios.
• Abstract（参考訳）: 術中の2D/3D登録は術前の3Dボリュームとリアルタイムの2Dラジオグラフィーを一致させ、機器やインプラントの正確な位置決めを可能にする。 最近の完全に微分可能な類似性学習フレームワークは、SE(3)上の測地線距離を近似し、登録範囲を拡大し、かなりの乱れの影響を緩和するが、既存のユークリッド近似は多様体構造を歪曲し、収束が遅い。 これらの制限に対処するために、複素多様体構造をよりよく捕捉し適合させるために、非ユークリッド球面特徴空間における類似性学習を検討する。 我々は、CNN-Transformerエンコーダを用いて特徴埋め込みを抽出し、それらを球面空間に投影し、その測地距離を二変SO(4)空間のリーマン距離と近似する。 これにより、より表現的で幾何学的に整合した深い類似度測定が可能となり、微妙なポーズの違いを区別する能力を高めることができる。 推論中は、収束を加速するために、勾配降下を完全に微分可能なレバンス・マルカールト最適化に置き換える。 実際のデータセットと合成データセットの実験は、患者固有のシナリオと患者に依存しないシナリオの両方において優れた精度を示す。

関連論文リスト

• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [84.07233691641193]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• Neural Signed Distance Function Inference through Splatting 3D Gaussians Pulled on Zero-Level Set [49.780302894956776]
  多視点表面再構成における符号付き距離関数(SDF)の推測は不可欠である。 本稿では3DGSとニューラルSDFの学習をシームレスに融合する手法を提案する。 我々の数値的および視覚的比較は、広く使用されているベンチマークの最先端結果よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-18T05:48:06Z)
• GSplatLoc: Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization [1.4466437171584356]
  軽量なXFeat特徴抽出器から高密度かつ堅牢なキーポイント記述器を3DGSに統合する2段階の手順を提案する。 第2段階では、レンダリングベースの光度ワープ損失を最小限に抑え、初期ポーズ推定を洗練させる。 広く使われている屋内および屋外データセットのベンチマークは、最近のニューラルレンダリングベースのローカライゼーション手法よりも改善されていることを示している。
  論文  参考訳（メタデータ） (2024-09-24T23:18:32Z)
• Differentiable Uncalibrated Imaging [25.67247660827913]
  本稿では,センサ位置や投影角などの測定座標の不確実性に対処する,識別可能なイメージングフレームワークを提案する。 入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用する。 測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
  論文  参考訳（メタデータ） (2022-11-18T22:48:09Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。