MGNet：通过多重图学习对应关系
计算机视觉与模式识别
2024-01-11 v1
摘要
学习对应关系旨在从分布不均且内点率低的初始对应集中找出正确的对应关系（内点），该问题可视为图数据。近期进展通常使用图神经网络（GNNs）构建单一类型的图，或简单地将局部图堆叠为全局图来完成任务。但它们忽略了不同类型图之间的互补关系，而这种关系能有效捕捉稀疏对应之间的潜在联系。为解决这一问题，我们提出 MGNet 以有效结合多个互补图。为获取融合隐式与显式局部图的信息，我们从隐式和显式两个层面构建局部图并将其有效结合，进而用于构建全局图。此外，我们提出图软度注意力（Graph Soft Degree Attention, GSDA），以在全局图中一次性充分利用所有稀疏对应信息，从而捕获并放大判别性特征。大量实验表明，MGNet 在不同的视觉任务中均优于当前最先进的方法。代码见 https://github.com/DAILUANYUAN/MGNet-2024AAAI。
引用
@article{arxiv.2401.04984,
title = {MGNet: Learning Correspondences via Multiple Graphs},
author = {Luanyuan Dai and Xiaoyu Du and Hanwang Zhang and Jinhui Tang},
journal= {arXiv preprint arXiv:2401.04984},
year = {2024}
}