面向跨场景跨域对应关系修剪的 De-stylization 混合专家
计算机视觉与模式识别
2025-07-17 v1
摘要
在计算机视觉中，建立可靠的图像对对应关系是一项基本任务，为 3D 重建和视觉定位等应用提供支持。虽然最近的方法在修剪密集对应集中的离群点方面取得了进展，但它们往往假设视觉域一致，忽略了多样化场景结构所带来的挑战。本文提出 CorrMoE，一种新的对应修剪框架，增强了在跨域和跨场景变化下的鲁棒性。为解决域迁移问题，我们引入 De-stylization 双分支，通过对隐式和显式图特征进行风格混合，以减轻域特定表示的负面影响。对于场景多样性，我们设计了 Bi-Fusion 混合专家模块，通过线性复杂度注意力和动态专家路由适应性地整合多视角特征。大量实验表明，CorrMoE 在基准数据集上实现了优于当前方法的卓越准确率和泛化能力。代码和预训练模型均可在 https://github.com/peiwenxia/CorrMoE 中获取。
引用
@article{arxiv.2507.11834,
title = {CorrMoE: Mixture of Experts with De-stylization Learning for Cross-Scene and Cross-Domain Correspondence Pruning},
author = {Peiwen Xia and Tangfei Liao and Wei Zhu and Danhuai Zhao and Jianjun Ke and Kaihao Zhang and Tong Lu and Tao Wang},
journal= {arXiv preprint arXiv:2507.11834},
year = {2025}
}
备注
Accepted by ECAI 2025