学习引导局部特征匹配
计算机视觉与模式识别
2021-05-03 v1
摘要
我们解决图像间准确且鲁棒的关键点对应问题。我们提出一种基于学习的方法，通过学习的近似图像匹配来引导局部特征匹配。我们的方法可将 SIFT 的结果提升至与 SOTA 深度描述子（如 Superpoint、ContextDesc 或 D2-Net）相近的水平，并可改善这些描述子的性能。我们引入并研究了不同监督层级以学习粗粒度对应。特别地，我们表明来自对极几何的弱监督能取得高于更强但偏差更大的点级监督的性能，且相较弱图像级监督有明显提升。我们通过在 YFCC100M 数据集上评估所引导关键点对应以定位网络图像、在 SUN3D 数据集上定位室内图像、在 Aachen 昼夜基准上鲁棒定位，以及利用 LTLL 历史图像数据在挑战性条件下进行三维重建等多种设置，展示了我们方法的优势。
引用
@article{arxiv.2010.10959,
title = {Learning to Guide Local Feature Matches},
author = {François Darmon and Mathieu Aubry and Pascal Monasse},
journal= {arXiv preprint arXiv:2010.10959},
year = {2021}
}
备注
Accepted to 3DV 2020