CorrAdaptor: 用于对应点剪枝的自适应局部上下文学习
计算机视觉与模式识别
2024-08-16 v1
摘要
在计算机视觉和机器人领域，精确的像素级对应点对于实现高级任务（如运动恢复结构和同步定位与建图）至关重要。近期的对应点剪枝方法通常侧重于通过K近邻学习局部一致性，这使得为每个对应点捕获鲁棒的上下文变得困难。我们提出CorrAdaptor，一种新颖的架构，引入双分支结构，能够通过显式和隐式局部图学习自适应地调整局部上下文。具体而言，显式分支使用基于K近邻的图进行初始邻域识别，而隐式分支利用可学习矩阵软分配邻域并自适应扩展局部上下文范围，显著增强了模型对复杂图像变化的鲁棒性和适应性。此外，我们设计了一个运动注入模块，将运动一致性整合到网络中，以抑制离群点的影响并细化局部上下文学习，从而带来显著的性能提升。在广泛的对应点任务上的实验结果表明，我们的CorrAdaptor在定性和定量方面均达到了最先进的性能。代码和预训练模型可在 https://github.com/TaoWangzj/CorrAdaptor 获取。
引用
@article{arxiv.2408.08134,
title = {CorrAdaptor: Adaptive Local Context Learning for Correspondence Pruning},
author = {Wei Zhu and Yicheng Liu and Yuping He and Tangfei Liao and Kang Zheng and Xiaoqiu Xu and Tao Wang and Tong Lu},
journal= {arXiv preprint arXiv:2408.08134},
year = {2024}
}
备注
8 pages, 4 figures, accepted by ECAI