Klassische deformierbare Registrierungstechniken erzielen beeindruckende Ergebnisse und bieten eine strenge theoretische Behandlung, sind jedoch rechenaufwendig, da sie für jedes Bildpaar ein Optimierungsproblem lösen. Kürzlich haben lernbasierte Methoden durch das Erlernen von räumlichen Deformationsfunktionen eine schnelle Registrierung ermöglicht. Diese Ansätze verwenden jedoch eingeschränkte Deformationsmodelle, benötigen überwachte Labels oder garantieren nicht eine diffeomorphe (topologieerhaltende) Registrierung. Darüber hinaus wurden lernbasierte Registrierungswerkzeuge bisher nicht aus einem wahrscheinlichkeitstheoretischen Rahmen abgeleitet, der Unsicherheitsschätzungen anbieten kann.In dieser Arbeit etablieren wir einen Zusammenhang zwischen klassischen und lernbasierten Methoden. Wir präsentieren ein wahrscheinliches generatives Modell und leiten einen unüberwachten, lernbasierten Inferenzalgorithmus her, der Erkenntnisse aus klassischen Registrierungsmethoden nutzt und sich auf jüngste Entwicklungen im Bereich der Faltungsnetze (Convolutional Neural Networks, CNNs) stützt. Wir demonstrieren unsere Methode anhand einer 3D-Gehirnregistrierungsaufgabe sowohl für Bilder als auch für anatomische Oberflächen und führen umfangreiche empirische Analysen durch. Unser fundierter Ansatz führt zu Stand-der-Technik-Genauigkeit und sehr kurzen Laufzeiten, während er diffeomorphe Garantien bietet. Unsere Implementierung ist unter http://voxelmorph.csail.mit.edu verfügbar.