GeoMoE：基于混合专家模型的两视图几何运动场建模

近期在两视图几何中估计运动场的进展日益强调在估计过程中强制执行平滑性和全局一致性先验。然而，在复杂现实场景中， characterized by extreme viewpoint and scale changes as well as pronounced depth discontinuities，运动场常呈现出多样且异构的运动模式。大多数现有方法缺乏针对性的建模策略，未能显式地考虑这种可变性，导致估计得到的运动场与其真实的底层结构和分布有显著偏差。我们观察到，混合专家（MoE）可为运动子场分配专门的专家，从而实现对异构运动模式的分而治之策略。基于此洞察，我们重新构建了两视图几何中的运动场建模框架，引入GeoMoE。具体而言，我们首先设计了一种概率先验引导的分解策略，利用内在概率信号对运动场进行结构感知的分解，显著抑制由离群点引起的偏差。随后，我们引入一种增强型双路径整理器（MoE-Enhanced Bi-Path Rectifier），沿空间上下文和通道语义路径增强每个子场，并将其路由到定制专家进行针对性建模，从而实现对异构运动模式的解耦，抑制跨子场干扰和表征 entangled，实现精细的运动场整理。凭借这种简约设计，GeoMoE在相对姿态和单应性估计方面均优于先前的SOTA方法，并展现出强大的泛化能力。源代码和预训练模型已公开于 https://github.com/JiajunLe/GeoMoE。