LeCoT：重新审视两种视图对应关系剪枝的网络架构
计算机视觉与模式识别
2025-11-11 v1
摘要
两种视图对应关系剪枝旨在准确地删除初始对应关系中的错误对应（离群点），广泛应用于各种计算机视觉任务。当前流行的策略采用多层感知器（MLP）作为主干网络，辅以额外模块来增强网络处理上下文信息的能力，而这已是MLP的一个已知局限性。相反，我们提出了一种无需额外设计模块即可捕获对应关系上下文信息的新颖视角。为此，我们设计了一个名为LeCoT的两种视图对应关系剪枝网络，该网络能够自然地利用不同阶段的全局上下文信息。具体而言，LeCoT的核心设计是空间-通道融合变换器块（Spatial-Channel Fusion Transformer block），这是一种新提出的组件，有效利用稀疏对应关系中两种全局上下文信息。此外，我们集成了 proposed prediction block，该模块利用来自中间阶段的对应关系特征生成一组概率，这充当后续学习阶段的指导信息，使网络能够更有效地捕获稳健的全局上下文信息。值得注意的是，此预测块会逐步细化概率集合，从而缓解传统方法中常见的信息损失问题。广泛的实验表明，所提出的LeCoT在对应关系剪枝、相对姿态估计、单应性估计、视觉定位和3D重建等任务中超越了最先进的方法。代码已提供于https://github.com/Dailuanyuan2024/LeCoT-Revisiting-Network-Architecture-for-Two-View-Correspondence-Pruning。
引用
@article{arxiv.2511.07078,
title = {LeCoT: revisiting network architecture for two-view correspondence pruning},
author = {Luanyuan Dai and Xiaoyu Du and Jinhui Tang},
journal= {arXiv preprint arXiv:2511.07078},
year = {2025}
}
备注
Just accepted at SCIENCE CHINA Information Sciences