Cette étude présente un nouveau cadre d’apprentissage en temps réel, appelé On-the-Fly Guidance (OFG), destiné à améliorer les modèles d’alignement d’images basés sur l’apprentissage, tout en surmontant les limites des méthodes faiblement supervisées et non supervisées. Les méthodes faiblement supervisées peinent à atteindre de bons résultats en raison de la rareté des données étiquetées, tandis que les méthodes non supervisées dépendent directement de mesures de similarité d’images pour assurer leur précision. Notre approche propose une manière de former des modèles d’alignement par apprentissage supervisé, sans nécessiter aucune donnée étiquetée. OFG génère une pseudo-vérité terrain durant l’entraînement en affinant les prédictions de déformation à l’aide d’un optimiseur différentiable, permettant ainsi un apprentissage supervisé direct. OFG optimise efficacement les prédictions de déformation, améliorant ainsi les performances des modèles d’alignement sans compromettre leur vitesse d’inférence. Notre méthode a été évaluée sur plusieurs jeux de données de référence et plusieurs modèles de pointe, où elle a permis une amélioration significative des performances, offrant ainsi une solution plug-and-play pour l’entraînement des modèles d’alignement basés sur l’apprentissage. Le code est disponible à l’adresse suivante : https://github.com/cilix-ai/on-the-fly-guidance