计算机科学>计算机视觉与模式识别
标题: RFR-WWANet:基于加权窗口注意的无监督图像配准恢复特征分辨率网络
摘要: Swin变换器由于其计算效率和远程建模能力,最近在医学图像分析中引起了关注。 由于这些特性,Swin Transformer适合在复杂的腹部图像配准任务中不同位置的对应体素之间建立更为遥远的关系。 然而,基于变换器的注册模型将多个体素合并为单个语义标记。 这种合并过程限制了转换器建模和生成粗粒度空间信息。 为了解决这个问题,我们提出了恢复特征解析网络(RFRNet),它允许转换器向更高的分辨率级别提供细粒度的空间信息和丰富的语义对应。 此外,移位窗口分区操作是不灵活的,这表明它们无法在不确定的距离上感知语义信息,并自动桥接窗口之间的全局连接。 因此,我们提出了加权窗口注意(WWA)来自动构建窗口之间的全局交互。 它是在Swin变压器块中的常规和循环移位窗口分区操作之后实现的。 提出的无监督可变形图像配准模型RFR-WWANet检测长距离相关性,并促进解剖结构的有意义语义相关性。 定性和定量结果表明,RFR-WWANet相对于当前最先进的方法取得了显著的改进。 烧蚀实验证明了RFRNet和WWA设计的有效性。 我们的代码位于\url{ 此https URL }.