Scale-Net：学习减小尺度差异以实现大规模不变图像匹配
计算机视觉与模式识别
2021-12-21 v1
摘要
大多数图像匹配方法在遭遇图像间大幅尺度变化时表现不佳。为解决此问题，首先，我们提出一种尺度差异感知的图像匹配方法（SDAIM），其在局部特征提取前，根据估计的尺度比对图像对的两幅图像进行缩放，从而减小图像尺度差异。其次，为准确估计尺度比，我们提出一种共可见性注意力增强匹配模块（CVARM），并基于 CVARM 设计了一种称为 Scale-Net 的新型神经网络。所提 CVARM 能更关注图像对中的共可见区域，并抑制仅单幅图像中可见区域的干扰。定量与定性实验证实，与现有所有尺度比估计方法相比，所提 Scale-Net 具有更高的尺度比估计精度和更好的泛化能力。在图像匹配与相对位姿估计任务上的进一步实验表明，我们的 SDAIM 与 Scale-Net 能够大幅提振代表性局部特征及最先进局部特征匹配方法的性能。
引用
@article{arxiv.2112.10485,
title = {Scale-Net: Learning to Reduce Scale Differences for Large-Scale Invariant Image Matching},
author = {Yujie Fu and Yihong Wu},
journal= {arXiv preprint arXiv:2112.10485},
year = {2021}
}