Affine SIFT［ 1］は，２枚の入力画像に対し，画像間で対応する特徴点のリストを出力するアフィン不変性を有した画像マッチング法である．入力画像間で対応する特徴点のリストは，（1） 緯度と経度と呼ばれるカメラの光軸方向を決定するパラメータを変化させることで入力画像毎に数十以上の視点からの画像を生成し，（2）（1）で得られた全画像から特徴点検出および特徴量記述をSIFTにより行い，（3） 全ての視点間で特徴点の対応付けを行い，（4） 誤対応を除去する，以上の流れで算出される．また，提案者らによる実装も公開されており，この実装においては，誤対応の除去にORSA（Optimized Random Sampling Algorithm）［2］が用いられている．

ASIFTでは，多視点の画像を扱うため，単一視点の場合に比べ，SIFTによる特徴点検出の計算量が13.5倍，特徴点の対応付けの計算量が13.5^2 （＝182.3）倍必要となる．そのため，文献［1］では計算量の削減手法についても検討されており，入力画像を３分の１に縮小した際に対応点数が高くなるパラメータ５組を推定し，これらのパラメータを用いて上記の（2）～（4）の処理を行う手法が提案されている．

［１］J.M. Morel and G. Yu,“ ASIFT: A new framework for fully affine invariant image comparison,” SIAM Journal on Imaging Sciences, vol.2, no.2, pp.438－469, 2009．

［２］L. Moisan and B. Stival,“ A probabilistic criterion to detect rigid point matches between two images and estimate the fundamental matrix,” International Journal of Computer Vision, vol.57, no.3, pp.201－218, 2004．

脳機能画像解析におけるMVPAは，Multivariate Pattern Analysisの略であり，特にfMRI装置による脳機能計測画像（３次元BOLD画像）より得られるVoxel値を用いた脳機能解析に用いられることが多いため，Multi－voxel Pattern Analysisと呼ばれることもある．脳機能解析では，被験者（通常はヒト）に刺激（例えば，痛み，画像，音声などのイベント）を与えた際の脳活動（ボクセル値）と刺激の内容との相関を，一般線形モデル（GLM）などを用いて推定するが，これまで個々のボクセルに対して単変量解析を行うことが一般的だったものを，MVPAは複数のボクセルを変量として多変量で行うようにしたものである．これまで，PET（陽電子断層撮影法）などの手法においてボクセル解像度がセンチメートル単位だったことから，注目脳領域（ROI）のボクセル値と刺激変数の間の単変量解析が広く用いられてきた．fMRIの解像度向上（ミリメートル単位）で多くのボクセル値の詳細な計測が可能となり，ある脳機能に対して複数のボクセル値を得ることができ，MVPAが有効な手法として用いられるようになった．MVPAを用いることで，GLMなどの多変量解析手法だけでなく，サポートベクタマシン（SVM）などの多次元変数を入力とする機械学習手法による解析も用いられるようになり，脳神経科学の研究のみならずブレインコンピュータインタフェース（BCI）などへの応用の道も開けている．

［１］J. V. Hexby.,“ Multivariate pattern analysis of fMRI: The early beginnings”, NeuroImage, Vol.62, pp.852－855, 2012