基于几何一致性预训练的可扩展且通用的对应关系修剪

双视图对应关系修剪旨在识别用于相机姿态估计的可靠对应关系，作为许多3D视觉任务中的基础步骤。现有方法依赖几何一致性从大量错误对应关系(离群值)中寻找真实对应关系(内源值)。在这种学习范式中，离群值严重影响内源值的表示学习，导致模型既不稳健也不具备通用性。为解决此问题，我们提出了一种几何一致性预训练范式，以无离群值干扰的方式塑造可扩展且通用的表示。该范式具有两个有吸引力的特性。1)几何一致性预训练的实现。我们引入掩码内源重建作为预热任务，并开发了一个基于掩码自编码器的简单而有效的预训练框架。具体来说，由于对应关系呈不规则且无序的特性，缺乏明确的位置信息，我们采用双分支结构分别重建两个图像的关键点。这使得通过来自配对图像的关键点提供的位置提示，间接重建4D对应关系。2)统一的对应编码器。我们提出了一个具有内置共识交互的简单双流编码器，提供一个统一且可扩展的架构，以增强表示学习。广泛的实验表明，我们的方法GeneralPruner在各种下游任务中在鲁健性和通用性方面 consistently 优于最先进的方法。具体而言，我们的方法在相机姿态估计、视觉定位和3D配准方面分别实现了10.76%、11.84%和8.65%的性能提升。