MambaGlue：基于 Mamba 的快速鲁棒局部特征匹配
计算机视觉与模式识别
2025-02-04 v1 机器人学
摘要
近年来，在计算机视觉任务中，使用基于深度学习方法的鲁棒匹配技术得到了积极研究和改进。然而，对于既鲁棒又快速的匹配技术，仍然存在持续的需求。为了解决这个问题，我们提出了一种新颖的基于 Mamba 的局部特征匹配方法，称为 MambaGlue，其中 Mamba 是一种新兴的最先进架构，因其在训练和推理上的卓越速度以及与 Transformer 架构相比颇具潜力的性能而迅速获得认可。特别地，我们提出了两个模块：a) MambaAttention 混合器，通过基于 Mamba 的自注意力结构同时且有选择地理解局部和全局上下文；b) 深度置信度得分回归器，这是一个基于多层感知机 (MLP) 的架构，用于评估一个得分，该得分指示匹配预测与真实对应关系的置信度。因此，我们的 MambaGlue 在实际应用中实现了鲁棒性与效率之间的平衡。通过在多个公共数据集上的验证，我们证明了我们的 MambaGlue 在保持快速推理速度的同时，相较于基线方法取得了显著的性能提升。我们的代码将发布在 https://github.com/url-kaist/MambaGlue
引用
@article{arxiv.2502.00462,
title = {MambaGlue: Fast and Robust Local Feature Matching With Mamba},
author = {Kihwan Ryoo and Hyungtae Lim and Hyun Myung},
journal= {arXiv preprint arXiv:2502.00462},
year = {2025}
}
备注
Proc. IEEE Int'l Conf. Robotics and Automation (ICRA) 2025