利用基于深度学习的尖端图像匹配从稀疏图像重建大场景
计算机视觉与模式识别
2023-10-03 v1
摘要
我们呈现了 AISG-SLA 视觉定位挑战基准（IJCAI 2023）的排名第一解决方案，其任务为估计由安装在行驶于城市场景汽车上的相机顺序拍摄图像之间的相对运动。对于图像匹配，我们使用我们近期基于深度学习的匹配器 RoMa。顺序匹配图像对并从 RoMa 采样得到的点对应中估计相对运动已给出极具竞争力的结果——在挑战基准上排名第三。为改进估计，我们在图像中提取关键点，使用 RoMa 进行匹配，并利用 COLMAP 执行运动恢复结构重建。我们选择我们近期的 DeDoDe 关键点，因其高可重复性。此外，我们通过基于 DINOv2 的图像检索匹配特定的非连续图像对，以解决图像序列中的时间跳跃问题。这些改进产生了击败所有竞争者的解决方案。我们进一步通过匹配人工挑选的非连续对，给出了图像检索方法可获得精度的宽松上界。
引用
@article{arxiv.2310.01092,
title = {Leveraging Cutting Edge Deep Learning Based Image Matching for Reconstructing a Large Scene from Sparse Images},
author = {Georg Bökman and Johan Edstedt},
journal= {arXiv preprint arXiv:2310.01092},
year = {2023}
}
备注
Technical report for the top ranked solution to the AISG-SLA visual localization challenge at IJCAI 2023