論文の概要: LayersReg: A Layer-by-Layer Progressive Regressor for Reliable Intraoperative 3D/2D Registration
- arxiv url: http://arxiv.org/abs/2606.26647v1
- Date: Thu, 25 Jun 2026 06:21:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.18384
- Title: LayersReg: A Layer-by-Layer Progressive Regressor for Reliable Intraoperative 3D/2D Registration
- Title（参考訳）: LayersReg: 信頼性3D/2DレジストレーションのためのLayer-by-Layerプログレッシブレプレッサー
- Abstract要約: 3D/2Dの登録は、外科ナビゲーションの基盤となる技術である。
深層学習に基づく手法は、反復最適化から画像の外観特徴を空間的ポーズにマッピングする回帰問題への登録を再構成する。
本稿では,3次元解剖学的認識をモデルにもたらす先駆的回帰パラダイムであるLayersRegを提案する。
- 参考スコア（独自算出の注目度）: 29.614652369472065
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 3D/2D registration serves as a cornerstone technique in surgical navigation. Traditional iterative optimization algorithms suffer from low efficiency and high failure rates in intraoperative settings. Deep learning-based methods reformulate registration from iterative optimization to a regression problem that maps image appearance features to spatial pose, typically achieving improved real-time performance and accuracy. However, such learnable methods are confined to memory-driven retrieval of specific pose features rather than understanding the task of image alignment itself, which limits their generalization in complex scenarios. We propose LayersReg, a pioneering regression paradigm that endows the model with 3D anatomical awareness and searches for the correct pose in a progressive, layer-by-layer manner. Inspired by the iterative pose-searching optimization criterion of classical registration, LayersReg searches for correlations between the moving and fixed images in feature space, capturing the trend of pixel flow and thereby converging iteratively toward the correct spatial pose transformation. We further design a coupling of node-wise regression with the progressive registration framework to enhance the model's perception of spatial pose changes. Experimental results demonstrate that under large offsets and multimodality conditions, LayersReg achieves high accuracy on both X-ray/CT registration (0.68°, 1.41 mm) and slice localization (0.73°, 1.55 mm) tasks, outperforming existing state-of-the-art methods while meeting the intraoperative demands for precision and real-time capability.
- Abstract（参考訳）: 3D/2Dの登録は、外科ナビゲーションの基盤となる技術である。
従来の反復最適化アルゴリズムは、術中環境での低効率と高い故障率に悩まされている。
深層学習に基づく手法は、反復最適化から回帰問題への登録を再構成し、画像の外観特徴を空間的なポーズにマッピングする。
しかし、そのような学習可能な方法は、複雑なシナリオにおける一般化を制限するイメージアライメント自体のタスクを理解するのではなく、特定のポーズ特徴のメモリ駆動による検索に限られる。
本稿では,3次元解剖学的認識をモデルにもたらす先駆的回帰パラダイムであるLayersRegを提案する。
古典的登録の反復的ポーズ探索最適化基準にインスパイアされたLayersRegは、特徴空間における移動画像と固定画像の相関関係を探索し、画素フローの傾向を捉え、したがって、正しい空間的ポーズ変換に向かって反復的に収束させる。
我々はさらに、空間的ポーズ変化に対するモデルの認識を高めるために、ノードワイド回帰とプログレッシブ登録フレームワークとの結合を設計する。
実験の結果,大規模なオフセットと多モード条件下では,X線/CTの登録 (0.68°, 1.41 mm) とスライスローカライゼーション (0.73°, 1.55 mm) の両方のタスクにおいて高い精度を達成し,術中における精度とリアルタイム能力の要求を満たすとともに,既存の最先端手法よりも優れていた。
関連論文リスト
- EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。
提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
論文 参考訳（メタデータ） (2026-08-09T09:00:30Z) - L2A: Learning to Accumulate Pose History for Accurate 3D Human Pose Estimation [15.020290085816583]
既存の2D-3Dリフトヒトポーズ推定法は高い性能を達成している。
しかし,ネットワーク深度にまたがる歴史的ポーズ表現の利用は見過ごされた。
ネットワーク間履歴の特徴を効果的に活用するための履歴認識フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-09T08:48:20Z) - Fast & Efficient Normalizing Flows and Applications of Image Generative Models [0.0]
理論は、生成モデルの効率を向上すること、特にフローの正規化、および現実のコンピュータビジョンの課題を解決するために生成モデルを適用することである。
第1部では,6つの重要なイノベーションを通じて,フローアーキテクチャの正規化に関する大幅な改善が紹介されている。 1) 数学的に証明された必要条件と可逆性のための十分な条件を備えた3x3畳み込み層の開発,2) より効率的な擬似結合層の導入,3) kxk畳み込み層のための高速かつ効率的な並列反転アルゴリズムの設計,4) 畳み込み逆転用高速かつ効率的な逆プロパゲーションアルゴリズム,5) 逆畳み込みの逆利用
論文 参考訳（メタデータ） (2025-12-03T18:29:03Z) - Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。
これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。
BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2025-03-11T11:13:10Z) - 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) - CMR-Agent: Learning a Cross-Modal Agent for Iterative Image-to-Point Cloud Registration [2.400446821380503]
Image-to-point cloud registrationは、ポイントクラウドに対するRGBイメージの相対的なカメラポーズを決定することを目的としている。
学習に基づくほとんどの手法は、反復最適化のためのフィードバック機構を使わずに、特徴空間における2D-3D点対応を確立する。
本稿では,登録手順を反復マルコフ決定プロセスとして再構成し,カメラポーズの漸進的な調整を可能にすることを提案する。
論文 参考訳（メタデータ） (2024-08-05T11:40:59Z) - SE(3) Diffusion Model-based Point Cloud Registration for Robust 6D
Object Pose Estimation [66.16525145765604]
実世界のシナリオにおける6次元オブジェクトポーズ推定のためのSE(3)拡散モデルに基づく点クラウド登録フレームワークを提案する。
提案手法は,3次元登録タスクをデノナイズ拡散過程として定式化し,音源雲の姿勢を段階的に洗練する。
実世界のTUD-L, LINEMOD, およびOccluded-LINEMODデータセットにおいて, 拡散登録フレームワークが顕著なポーズ推定性能を示すことを示す。
論文 参考訳（メタデータ） (2023-10-26T12:47:26Z) - FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。
我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。
従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
論文 参考訳（メタデータ） (2021-07-07T13:39:08Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳（メタデータ） (2021-05-25T21:37:37Z) - Improving the generalization of network based relative pose regression:
dimension reduction as a regularizer [16.63174637692875]
最先端のビジュアルローカライゼーション手法は、RANSACフレームワーク内の幾何に基づく解法を用いてポーズ推定を行う。
エンドツーエンドの学習に基づく回帰ネットワークは、正確なピクセルレベルの対応の要求を回避するためのソリューションを提供する。
本稿では,絶対像特徴値からポーズ回帰解法を分離するために,ネットワーク内に学習可能なマッチング層を明示的に追加する。
我々はこの次元正規化戦略を2層ピラミッドベースのフレームワークで実装し、局所化結果を粗いものから細かいものへと回帰する。
論文 参考訳（メタデータ） (2020-10-24T06:20:46Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。