LoMa：重新审视局部特征匹配
计算机视觉与模式识别
2026-04-07 v1
摘要
局部特征匹配长期以来是 3D 视觉系统（如结构从运动，SfM）的基本组件，但与现代数据驱动方法的快速进步相比，进展滞后。新的方法，例如前馈重建模型，受益于大规模数据集的扩展，而局部特征匹配模型仍仅训练于少数中等规模数据集。本文从数据驱动的角度重新审视局部特征匹配。我们提出的 LoMa 方法结合了大规模且多样化的数据混合、现代训练配方、规模化的模型容量和规模化的计算，实现了显著的性能提升。由于当前标准基准主要依赖从成功的 3D 重建中收集稀疏视图，因此特征匹配进展的评估受限于相对容易的图像对。为解决基准测试饱和问题，我们收集了 1000 对高度具有挑战性的图像对，构建名为 HardMatch 的新数据集。HardMatch 的ground truth对应关系通过作者进行的手动标注获得。在广泛的基准测试套件中，我们发现 LoMa 在所有指标上均实现了卓越的进展，分别在 HardMatch 上超越了最先进的方法 ALIKED+LightGlue 提高了 +18.6 mAA，+29.5 mAA 在 WxBS 上，+21.4 (1m, 10) 在 InLoc 上，+24.2 AUC 在 RUBIK 上，+12.4 mAA 在 IMC 2022 上。我们在 GitHub 上公开代码和模型：https://github.com/davnords/LoMa。
引用
@article{arxiv.2604.04931,
title = {LoMa: Local Feature Matching Revisited},
author = {David Nordström and Johan Edstedt and Georg Bökman and Jonathan Astermark and Anders Heyden and Viktor Larsson and Mårten Wadenbäck and Michael Felsberg and Fredrik Kahl},
journal= {arXiv preprint arXiv:2604.04931},
year = {2026}
}