AsymLoc: 面向高效视觉定位的非对称特征匹配
计算机视觉与模式识别
2026-04-13 v1
摘要
精确且实时的视觉定位对于 AR/VR 和机器人等应用至关重要，尤其是在资源受限的边缘设备（如智能眼镜）上，电池寿命和散热问题往往是首要考量。虽然已有许多高效模型，但在不牺牲精度的前提下进一步降低计算资源仍是实际部署所必需的。为此，我们提出了非对称视觉定位方法：大模型 Teacher 在离线处理预映射的数据库图像，而轻量级 Student 模型在在线处理查询图像。这样就面临着如何在不依赖重型学习型匹配器的前提下匹配来自两个不同模型的特征。我们引入 AsymLoc，一种新颖的蒸馏框架，通过几何驱动的匹配目标和联合检测-描述子蒸馏目标，将 Student 对齐至 Teacher，从而实现快速且无需参数的最近邻匹配。在 HPatches、ScanNet、IMC2022 和 Aachen 等数据集上进行的广泛实验表明，AsymLoc 能实现最高达到 95% 教师模型的定位精度，同时使用规模更小的模型，显著优于现有基线方法，建立了新的效率-精度权衡新标杆。
引用
@article{arxiv.2604.09445,
title = {AsymLoc: Towards Asymmetric Feature Matching for Efficient Visual Localization},
author = {Mohammad Omama and Gabriele Berton and Eric Foxlin and Yelin Kim},
journal= {arXiv preprint arXiv:2604.09445},
year = {2026}
}