Diese Studie stellt einen neuartigen On-the-Fly Guidance (OFG)-Trainingsrahmen vor, um bestehende lernbasierte Bildregistrierungsmodelle zu verbessern und die Einschränkungen von schwach überwachten und unüberwachten Methoden zu überwinden. Schwach überwachte Ansätze leiden unter der Knappheit an gelabelten Daten, während unüberwachte Methoden direkt von Bildähnlichkeitsmetriken für ihre Genauigkeit abhängen. Unser Ansatz bietet eine überwachte Trainingsform für Registrierungsmodelle, ohne dass überhaupt gelabelte Daten erforderlich sind. OFG erzeugt während des Trainings sogenannte Pseudowahrheitsdaten, indem es Deformationsvorhersagen mit einem differenzierbaren Optimierer verfeinert, was eine direkte überwachte Lernung ermöglicht. OFG optimiert Deformationsvorhersagen effizient und verbessert die Leistung von Registrierungsmodellen, ohne die Inferenzgeschwindigkeit zu beeinträchtigen. Unser Verfahren wurde an mehreren Benchmark-Datensätzen und führenden Modellen getestet und zeigte eine signifikante Leistungssteigerung, wodurch es eine plug-and-play-Lösung für das Training lernbasierter Registrierungsmodelle darstellt. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/cilix-ai/on-the-fly-guidance