تقنيات التسجيل التقليدية القابلة للتشوه تحقق نتائج مثيرة للإعجاب وتقدم معالجة نظرية صارمة، ولكنها تتطلب حسابات معقدة حيث أنها تحل مشكلة الأمثلية لكل زوج من الصور. مؤخرًا، أسهمت الطرق المستندة إلى التعلم في تسهيل التسجيل السريع من خلال تعلم وظائف التشوه المكاني. ومع ذلك، فإن هذه النهج تعتمد على نماذج تشوه مقيدة، أو تتطلب علامات إشرافية، أو لا تضمن تسجيلًا قابلًا للتفاضل (حافظًا على الطوبولوجيا). بالإضافة إلى ذلك، لم يتم اشتقاق أدوات التسجيل المستندة إلى التعلم من إطار احتمالي يمكن أن يوفر تقديرات للتباين.في هذا البحث، نقوم ببناء جسر بين الطرق التقليدية والمستندة إلى التعلم. نقدم نموذجًا مولدًا احتماليًا ونشتق خوارزمية استدلال مستندة إلى التعلم دون إشراف تستخدم الرؤى المستفادة من طرق التسجيل التقليدية وتستفيد من التطورات الحديثة في شبكات العصبونات المتكررة (CNNs). نوضح طريقة عملنا في مهمة تسجيل الدماغ ثلاثي الأبعاد لصور وأنسجة تشريحية، ونقدم تحليلات تجريبية شاملة. ينتج عن نهجنا المبدئي دقة رائدة في مجالها وأوقات تشغيل سريعة للغاية، مع ضمان القابلية للتفاضل. يمكن الوصول إلى تنفيذنا عبر الرابط: http://voxelmorph.csail.mit.edu.