C-DOG：使用连通 $\delta$-重叠图的多视图多实例特征关联
计算机视觉与模式识别
2025-08-04 v2
摘要
多视图多实例特征关联是 3D 重建中的关键步骤，有助于在不同相机视角下对物体实例进行一致分组。场景中存在多个相同物体通常会导致基于外观的特征匹配算法产生歧义。我们的工作通过专门采用几何约束，特别是对极几何，来进行特征关联，从而规避了这一挑战。我们引入了 C-DOG (Connected delta-Overlap Graph，连通 -重叠图)，这是一种为稳健的几何特征关联而设计的算法，即使在存在噪声特征检测的情况下也能胜任。在 C-DOG 图中，如果来自不同视图的表示 2D 特征点的两个节点对应于同一个 3D 点，则它们通过一条边连接。每条边以其对极距离加权。理想情况下，真实关联产生零距离；然而，噪声特征检测可能导致非零值。为了稳健地保留对极距离小于阈值 的边，我们采用了 Szymkiewicz--Simpson 系数。该过程导致 2D 节点的 -邻域重叠聚类。此外，使用基于四分位距 (IQR) 的准则从这些聚类中剪除不可靠的节点。我们在合成基准上的大量实验表明，C-DOG 不仅优于基于几何的基线算法，而且在苛刻条件下仍保持显著的稳健性。这包括具有高物体密度、无视觉特征和受限相机重叠的场景，将 C-DOG 定位为实际应用中可扩展 3D 重建的优秀解决方案。
引用
@article{arxiv.2507.14095,
title = {C-DOG: Multi-View Multi-instance Feature Association Using Connected {\delta}-Overlap Graphs},
author = {Yung-Hong Sun and Ting-Hung Lin and Jiangang Chen and Hongrui Jiang and Yu Hen Hu},
journal= {arXiv preprint arXiv:2507.14095},
year = {2025}
}