Temporal-IDIR：周期性时序图像配准的INR方法

2026年10月16日，arXiv Computer Vision 刊出 Mathias Lowes 等作者的论文，提出 Temporal-IDIR 方法。该工作将隐式神经表示（INR）从可变形图像配准扩展到时序图像配准领域，聚焦周期性时序图像序列。方法上，Temporal-IDIR 用单个 INR 同时建模时序图像序列中所有帧的形变，并通过时序一致性损失惩罚直接源到目标变换与经中间帧变换之间的差异，实现自正则化。在 DIR-LAB 数据集上，其标注与移动标志点间的目标配准误差（TRE）为 1.03 mm，优于其他基于 INR 的配准方法。该框架还支持通过估计输入帧之间的形变实现时间帧间的平滑插值。论文注明代码已公开。截至该报道，事件尚无后续进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。