Learning Where to Trust: Reliability-Guided Expert Routing and Velocity Gating for 3D Deformable Registration

📄 arXiv: 2610.36672v1 📥 PDF

作者: Chenyu Guo, Wenjie Dai, Yiqian Chang, Zhiyuan Zhang, Yunfan Wei, Shuhan Qi

分类: cs.AI, cs.CV

发布日期: 2026-10-27

💡 一句话要点

提出ReliMorph以解决3D变形配准中的可靠性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 3D变形配准 可靠性引导 空间上下文选择 解剖对应关系 医学图像处理

📋 核心要点

  1. 现有的变形图像配准方法在处理模糊匹配和空间上下文选择时存在不足，尤其在弱纹理和严重变形区域表现不佳。
  2. 本文提出ReliMorph框架，通过结合对应关系的可靠性评估与空间上下文选择，优化变形更新过程。
  3. 实验结果表明，ReliMorph在解剖重叠度上显著优于其他方法，验证了其在多种配准任务中的有效性。

📝 摘要（中文）

变形图像配准依赖于准确的解剖对应关系。然而，现有学习基础的配准方法在将局部匹配可靠性与空间上下文选择及变形更新强度相结合方面仍显不足。特别是在均匀、弱纹理和严重变形的区域，模糊的匹配可能导致错误的变形更新。为此，本文提出了ReliMorph，一个可靠性引导的对称框架，通过局部相关性分布来表征对应关系的模糊性，并在粗到细的精炼过程中引导空间专家融合和门控残余速度。实验表明，ReliMorph在解剖重叠方面始终优于竞争方法，展示了其在单模态和多模态配准任务中的有效性。

🔬 方法详解

问题定义：本文旨在解决3D变形配准中局部匹配可靠性不足的问题。现有方法在均匀和弱纹理区域的表现不佳，容易导致错误的变形更新。

核心思路：ReliMorph框架通过将对应关系的可靠性与空间上下文选择相结合，来优化变形更新过程。该设计旨在提高配准的准确性，尤其是在复杂的解剖结构中。

技术框架：ReliMorph的整体架构包括局部相关性分布的计算、空间专家融合、残余速度的门控以及逆不一致反馈的更新。该框架通过粗到细的精炼过程逐步优化配准结果。

关键创新：ReliMorph是首个将空间专家路由和残余速度门控与对应关系的可靠性联合条件化的3D变形配准框架。这一创新使得配准过程更加智能化和自适应。

关键设计：在技术细节上，ReliMorph采用了共享解剖特征的局部相关性分布来表征模糊性，并设计了适应性强的损失函数以优化配准效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ReliMorph在解剖重叠度上显著优于其他竞争方法，具体提升幅度达到XX%。该框架在单模态和多模态配准任务中均表现出色，验证了其广泛的适用性和有效性。

🎯 应用场景

该研究在医学图像处理、计算机辅助诊断和手术规划等领域具有广泛的应用潜力。通过提高3D变形配准的准确性，ReliMorph可以帮助医生更好地理解和分析复杂的解剖结构，从而提升临床决策的质量。

📄 摘要（原文）

Deformable image registration relies on accurate anatomical correspondences. However, explicitly coupling local matching reliability with spatial context selection and deformation update strength remains insufficiently explored in learning-based registration. This challenge is particularly pronounced in homogeneous, weakly textured, and severely deformed regions, where ambiguous matches may induce erroneous deformation updates. We propose ReliMorph, a reliability-routed symmetric framework for 3D deformable registration that couples correspondence assessment with spatial context selection and update strength.Local correlation distributions characterize correspondence ambiguity using shared anatomical features with modality-specific adaptation. These reliability cues guide spatial expert fusion and gate residual velocities during coarse-to-fine refinement. Updated inverse-inconsistency feedback guides routing and gating at finer pyramid levels. To our knowledge, ReliMorph is the first 3D deformable registration framework to jointly condition spatial expert routing and residual velocity gating on correspondence reliability. Extensive experiments demonstrate that ReliMorph consistently outperforms competing methods in anatomical overlap, highlighting its effectiveness across unimodal and multimodal registration tasks.