RaCo：实用学习型关键点排序与协方差
计算机视觉与模式识别
2026-02-18 v1 机器人学
摘要
本文介绍了 RaCo，一个轻量级神经网络，旨在学习适用于多种 3D 计算机视觉任务的鲁棒且通用的关键点。该模型集成了三个关键组件：可重复的关键点检测器、一个差分可微的排序器以最大化有限数量关键点的匹配，以及一个用于量化以度量尺度空间不确定性的协方差估计器。仅使用透视图像裁剪进行训练，RaCo 无需配对图像即可运行。通过大量数据增强实现了强大的旋转鲁棒性，尽管未采用计算密集型等变网络架构。该方法在多个具有挑战性的数据集上进行评估，在关键点可重复性和两视图匹配方面表现出业界领先的性能，尤其在大范围平移旋转下。最终，RaCo 提供了一种有效且简单的方法，能够独立估计关键点排序和度量协方差，无需额外标签，检测到可解释且可重复的感兴趣点。代码已发布于 https://github.com/cvg/RaCo。
引用
@article{arxiv.2602.15755,
title = {RaCo: Ranking and Covariance for Practical Learned Keypoints},
author = {Abhiram Shenoi and Philipp Lindenberger and Paul-Edouard Sarlin and Marc Pollefeys},
journal= {arXiv preprint arXiv:2602.15755},
year = {2026}
}