具有双层噪声对应的图匹配
计算机视觉与模式识别
2023-08-08 v3
摘要
本文研究图匹配（GM）中一个新颖且广泛存在的问题，即双层噪声对应（BNC），其指节点级噪声对应（NNC）与边级噪声对应（ENC）。简言之，一方面，由于图像间可辨识性差与视角差异，不可避免地会不准确标注一些带偏移与混淆的关键点，导致两个关联节点之间的不匹配，即 NNC。另一方面，噪声的节点到节点对应会进一步污染边到边对应，从而导致 ENC。针对 BNC 挑战，我们提出一种称为带动量蒸馏的对比匹配的新方法。具体而言，所提方法采用一种鲁棒的二次对比损失，具有以下优点：i）通过为 GM 定制的二次对比学习范式更好地挖掘节点到节点与边到边的关联；ii）基于动量教师估计的置信度自适应地惩罚噪声分配。在三个真实数据集上的大量实验表明，与 12 个竞争性基线相比，我们的模型具有鲁棒性。代码见 https://github.com/XLearning-SCU/2023-ICCV-COMMON。
引用
@article{arxiv.2212.04085,
title = {Graph Matching with Bi-level Noisy Correspondence},
author = {Yijie Lin and Mouxing Yang and Jun Yu and Peng Hu and Changqing Zhang and Xi Peng},
journal= {arXiv preprint arXiv:2212.04085},
year = {2023}
}
备注
Accepted by ICCV 2023