Deformable image registration 是医学图像分析中的核心难题。近年来基于深度学习的方法大致分为一次性架构和递归架构。一次性在单次网络前向完成配准，递归则通过多次迭代细化结果。递归虽能提升精度，却带来显著的计算开销和推理延迟。
本文质疑高性能配准必须依赖递归，提出 M2CG——一种一次性网络，采用 Multi-level Multi-space Contextual Guidance。M2CG 在单次前向中实现多步金字塔式渐进配准，每一步均由来自三层级（前一步、当前步、后一步）和四个空间（图像空间、图像特征空间、分割空间、分割特征空间）的上下文信息共同引导。网络兼容无监督模式（无需标签）和半监督模式（利用部分数据的分割标签）。
在两个跨患者/同患者的基准任务上，使用八个公开数据集进行评估，M2CG 达到或超越最新水平。实验表明，递归的需求主要源于缺乏能够完整刻画剩余对齐距离的上下文线索。
点评：本研究展示了一次性网络在变形配准中的潜力，提供了更高效的替代方案。