Bildregistrierung ist eine Schlüsseltechnik in der medizinischen Bildanalyse, um Verformungen zwischen Bildpaaren zu schätzen. Ein gutes Verformungsmodell ist für hochwertige Schätzungen entscheidend. Die meisten bestehenden Ansätze verwenden jedoch ad-hoc-Verformungsmodelle, die aus mathematischer Bequemlichkeit gewählt werden, anstatt die beobachteten Datenvariationen abzubilden. Kürzlich entwickelte Deep-Learning-Ansätze lernen Verformungsmodelle direkt aus den Daten. Allerdings bieten sie nur begrenzte Kontrolle über die räumliche Regularität der Transformationen. Anstelle des Lernens des gesamten Registrierungsansatzes lernen wir einen räumlich adaptiven Regularisierer innerhalb eines Registrierungsmodells. Dies ermöglicht es, das gewünschte Maß an Regularität zu steuern und strukturelle Eigenschaften des Registrierungsmodells zu bewahren. Zum Beispiel können diffeomorphe Transformationen erreicht werden. Unser Ansatz stellt eine radikale Abweichung von den bestehenden Deep-Learning-Ansätzen zur Bildregistrierung dar, indem er ein Deep-Learning-Modell in einen optimierungsbasierten Registrierungsalgorithmus einbettet, um das Registrierungsmodell selbst zu parametrisieren und datenangepasst zu machen.