NeSS-ST：利用神经稳定性分数与 Shi-Tomasi 检测器检测优质且稳定的关键点

学习特征点检测器是一项挑战，这既由于关键点定义的模糊性，也由于相应地需要为此类点专门准备真值标签。在我们的工作中，我们通过结合手工设计的 Shi-Tomasi 检测器、一个专门设计的评估关键点质量的度量即稳定性分数（SS）以及一个神经网络，来解决这两个问题。我们基于 Shi-Tomasi 检测器所提供的有原则且局部化的关键点，并学习该神经网络通过稳定性分数来选择优质特征点。该神经网络以神经稳定性分数（NeSS）的形式从训练目标中汲取知识。因此，我们的方法被称为 NeSS-ST，因为它结合了 Shi-Tomasi 检测器和神经稳定性分数的特性。它仅需要图像集进行训练，无需数据集预标注或重建的对应标签。我们在 HPatches、ScanNet、MegaDepth 和 IMC-PT 上评估了 NeSS-ST，展示了最先进的性能和在下游任务上的良好泛化能力。