基于平面及更广泛假设的图像匹配滤波与细化

本文提出了一种模块化的非深度学习方法，用于图像匹配中的稀疏对应点滤波与细化。假设场景中的运动流可由局部单应性变换近似，采用基于迭代 RANSAC 的方法将匹配聚合为对应虚拟平面的重叠簇，剔除不兼容的对应点。此外，底层的平面结构设计提供了与匹配相关的局部图像块之间的显式映射，可据此通过图像块重投影后的互相关模板匹配，可选地细化关键点位置。最后，为增强对分段平面近似假设违背情况的鲁棒性与容错性，设计了一种进一步策略，通过引入中间单应性将两个图像块投影到公共平面，以最小化平面重投影中的相对图像块畸变。该方法在标准数据集和图像匹配流程上进行了广泛评估，并与最先进方法对比。与其他当前对比不同，所提基准还考虑了相机内参不可用这一更普遍、真实且实用的场景。实验结果表明，所提基于几何的非深度学习滤波器在存在离群点时有效，且可选的互相关细化步骤在角点类关键点情况下有效。最后，研究表明在所考虑的研究方向上，实用图像匹配解决方案仍有显著发展潜力，未来可融入新型深度图像匹配架构。