本研究提出了一种新型的“即时引导”（On-the-Fly Guidance, OFG）训练框架，用于提升现有基于学习的图像配准模型的性能，有效克服了弱监督与无监督方法的局限性。弱监督方法受限于标注数据的稀缺性，而无监督方法则直接依赖图像相似性度量来保证精度，易受度量误差影响。本文所提方法在无需任何标注数据的前提下，实现了对配准模型的监督式训练。OFG在训练过程中通过可微分优化器对形变预测进行迭代精炼，生成伪真实标签（pseudo-ground truth），从而支持直接的监督学习。该方法能够高效优化形变预测，显著提升配准模型的性能，同时不牺牲推理速度。我们在多个基准数据集及主流模型上验证了该方法的有效性，结果表明其显著提升了模型性能，可作为即插即用的解决方案，广泛应用于基于学习的图像配准模型训练。代码已开源，地址为：https://github.com/cilix-ai/on-the-fly-guidance