GeoDesc：通过融合几何约束学习局部描述子
计算机视觉与模式识别
2018-11-27 v2
摘要
基于卷积神经网络（CNNs）的学习型局部描述子在基于图像块的基准测试上取得了显著改进，但在近期基于图像的三维重建基准测试中尚未展现出强大的泛化能力。在本文中，我们通过提出一种新颖的局部描述子学习方法缓解了此局限，该方法融合了来自多视图重建的几何约束，在数据生成、数据采样和损失计算方面有益于学习过程。我们将所提出的描述子称为 GeoDesc，并展示了其在各种大规模基准测试上的优越性能，尤其显示了其在具有挑战性的重建任务上的巨大成功。此外，我们提供了将学习型描述子实际集成到运动恢复结构（SfM）流程中的指导方针，展示了 GeoDesc 在精度与效率之间为三维重建任务所提供的良好权衡。
引用
@article{arxiv.1807.06294,
title = {GeoDesc: Learning Local Descriptors by Integrating Geometry Constraints},
author = {Zixin Luo and Tianwei Shen and Lei Zhou and Siyu Zhu and Runze Zhang and Yao Yao and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:1807.06294},
year = {2018}
}
备注
Accepted to ECCV'18