随着深度学习的出现，可变形图像配准经历了一场变革。虽然卷积神经网络 (CNN) 可以加速配准，但与迭代成对优化方法相比，它们的准确度较低，并且需要大量的训练队列。基于使用神经网络表示信号的进步，隐式神经表示 (INR) 已在配准社区中出现，用于连续建模密集位移场。使用成对配准设置，INR 可以减轻从一组患者身上学到的偏差，同时利用先进的方法和基于梯度的优化。然而，坐标采样方案使得密集变换参数化与 INR 容易产生生理上不合理的配置，从而导致空间折叠。在本文中，我们介绍了 SINR——一种使用自由形式变形 (FFD) 参数化 INR 表示的连续可变形变换的方法。SINR 允许多模态可变形配准，同时缓解当前基于 INR 的配准方法中发现的折叠问题。 SINR 在 CamCAN 数据集上的 3D 单模和多模脑配准方面均优于现有的最先进方法，证明了其在成对单模和多模图像配准方面的能力。关键词：隐式神经表征、图像配准、多模