iMatching：命令式对应学习

学习特征对应是计算机视觉中的一项基础任务，对于视觉里程计和3D重建等下游应用具有极其重要的意义。尽管数据驱动模型最近取得了进展，但特征对应学习仍然受到缺乏精确的逐像素对应标签的限制。为了克服这一困难，我们引入了一种新的自监督方案，即命令式学习（IL），用于训练特征对应。它使得在任意连续视频上进行对应学习成为可能，无需任何相机位姿或深度标签，预示着自监督对应学习的新时代。具体而言，我们将对应学习问题表述为双层优化，将光束法平差的再投影误差作为模型的监督信号。为了避免巨大的内存和计算开销，我们利用驻点通过光束法平差有效地反向传播隐式梯度。通过大量实验，我们在特征匹配和位姿估计等任务上展示了卓越的性能，其中我们比SOTA匹配模型平均获得了30%的准确率提升。