图像配准是医学图像分析中的关键技术，用于估计图像对之间的变形。一个良好的变形模型对于高质量的估计至关重要。然而，现有的大多数方法选择的是为了数学方便而设计的变形模型，而不是为了捕捉观察到的数据变化。近年来，深度学习方法直接从数据中学习变形模型，但它们对变换的空间规则性的控制能力有限。我们不是学习整个配准方法，而是学习在配准模型内部的空间自适应正则化器。这使得可以控制所需的规则性水平并保留配准模型的结构特性，例如可以实现微分同胚变换（diffeomorphic transformations）。我们的方法与现有的基于深度学习的图像配准方法有根本的不同，通过将深度学习模型嵌入到基于优化的配准算法中来参数化和数据适应配准模型本身。