This work focuses on mitigating two limitations in the joint learning of local feature detectors and descriptors. First, the ability to estimate the local shape (scale, orientation, etc.) of feature points is often neglected during dense feature extraction, while the shape-awareness is crucial to acquire stronger geometric invariance. Second, the localization accuracy of detected keypoints is not sufficient to reliably recover camera geometry, which has become the bottleneck in tasks such as 3D reconstruction. In this paper, we present ASLFeat, with three light-weight yet effective modifications to mitigate above issues. First, we resort to deformable convolutional networks to densely estimate and apply local transformation. Second, we take advantage of the inherent feature hierarchy to restore spatial resolution and low-level details for accurate keypoint localization. Finally, we use a peakiness measurement to relate feature responses and derive more indicative detection scores. The effect of each modification is thoroughly studied, and the evaluation is extensively conducted across a variety of practical scenarios. State-of-the-art results are reported that demonstrate the superiority of our methods.

Removing outlier correspondences is one of the critical steps for successful feature-based point cloud registration. Despite the increasing popularity of introducing deep learning techniques in this field, spatial consistency, which is essentially established by a Euclidean transformation between point clouds, has received almost no individual attention in existing learning frameworks. In this paper, we present PointDSC, a novel deep neural network that explicitly incorporates spatial consistency for pruning outlier correspondences. First, we propose a nonlocal feature aggregation module, weighted by both feature and spatial coherence, for feature embedding of the input correspondences. Second, we formulate a differentiable spectral matching module, supervised by pairwise spatial compatibility, to estimate the inlier confidence of each correspondence from the embedded features. With modest computation cost, our method outperforms the state-of-the-art hand- crafted and learning-based outlier rejection approaches on several real-world datasets by a significant margin. We also show its wide applicability by combining PointDSC with different 3D local descriptors. [code release]

Motivation: Our previous study revealed abnormalities in aquaporin 4, which works at the cerebrospinal–interstitial fluid exchange in the postmortem brains of patients with bipolar disorder (BP). However, glymphatic system (GS) alterations in BP are still unclear. Goal(s): This study aims to assess GS function in BP patients. Approach: We used diffusion tensor image analysis along the perivascular space (DTI–ALPS) method in BP subjects and healthy controls (HCs). Results: The ALPS index of BP subjects was significantly lower than that of HCs. We also found associations between the ALPS index and BP risk. Thus, per our findings, BP patients could have GS dysfunction. Impact: This study suggests the potential for GS dysfunction in BP patients. Our findings could support the fact that BP patients are more likely to experience dementia since they have an Alzheimer’s disease-like pathology that causes amyloid β accumulation.

Motivation: To the best of our knowledge, no study in neuroscience has been conducted based on high intelligence (HI) and low intelligence (LI) groups young healthy adults. Goal(s): This study aims to explore the effect of brain network structures on the intelligence quotient and brain efficiency of healthy adults. Approach: We focused on the white matter’s topological traits, which demonstrate network performance and structural connectivity differences between the HI and LI groups. Results: We found structural differences in connections between specific nodes in the HI and LI groups. Intelligence correlated positively with network efficiency and negatively with path length. Impact: This study innovatively explores the relationship between brain network structures and intelligence in healthy young adults. This study revealed that higher intelligence is associated with efficient brain networks and greater resilience in targeted network disturbances.

Motivation: How chronic cortical hypoperfusion affects choroid plexus, an important structure to maintain neurofluid dynamics, has rarely reported. Goal(s): To investigate changes of choroid plexus after revascularization surgery to improve chronic hypoperfusion in patients with moyamoya disease. Approach: Eighteen adult patients with moyamoya disease were evaluated with T1WI and ASL before and one year after surgery. Choroid plexus volume and cortical perfusion were compared before and one year after the surgery. Results: After the surgery, choroid plexus volume decreased (1.65 (0.55) ml vs. 1.52 (0.51) ml; P=0.014), while cortical perfusion improved (P=0.001). Impact: Choroid plexus may be hyperactivated and proliferated when cortical hypoperfusion and decreased glymphatic system function exist. After the revascularization surgery and restoration of cortical perfusion and glymphatic system function, choroid plexus may shrink to the normal function.