要約
本研究では、既存の学習ベース画像登録モデルの性能向上を図るため、弱教師ありおよび無教師学習手法の限界を克服する新しい「オンザフライガイドランス（On-the-Fly Guidance: OFG）」トレーニングフレームワークを提案する。弱教師あり手法はラベル付きデータの不足に起因して困難に直面する一方、無教師手法は画像類似度指標に直接依存するため、精度の向上が限定的である。本手法は、ラベルデータを一切必要とせず、登録モデルのトレーニングを教師あり形式で行うことを可能にする。OFGは、微分可能な最適化手法を用いて変形予測を精緻化することで、トレーニング中に擬似真値（pseudo-ground truth）を生成し、直接的な教師あり学習を実現する。このアプローチにより、変形予測の最適化を効率的に行いながら、推論速度を損なうことなく登録モデルの性能を向上させることができる。本手法は複数のベンチマークデータセットおよび代表的なモデルに対して検証され、顕著な性能向上を示した。これにより、学習ベースの登録モデルのトレーニングに即時適用可能なプラグアンドプレイ型ソリューションを提供する。コードは以下のURLで公開されている：https://github.com/cilix-ai/on-the-fly-guidance