SGAD：语义与几何感知描述子用于局部特征匹配
计算机视觉与模式识别
2025-08-12 v2
摘要
局部特征匹配仍是计算机视觉中的基本挑战。最近的面向区域的匹配（A2PM）方法提高了匹配精度。然而，现有研究基于此框架依赖低效的像素级比较和复杂的图匹配，限制了可扩展性。本文引入语义与几何感知描述子网络（SGAD），彻底重新思考基于区域的匹配，通过生成高度判别性的区域描述子，以实现无需复杂图优化的直接匹配。该方法显著提高了区域匹配的准确率和效率。我们还通过将区域匹配任务分解为分类和排序子任务，提出了新的监督策略。最后，我们引入分层包含冗余过滤器（HCRF），通过分析包含图来消除重叠区域。SGAD 在多个特征匹配器上的评估显示，其性能显著提升：相较于 MESA，运行时间缩短 60 倍（0.82 秒 vs. 60.23 秒）；在户外姿态估计中，SGAD+LoFTR 比 DKM 运行更快，同时在准确率上更高（0.82 秒 vs. 1.51 秒，65.98 vs. 61.11）；在室内姿态估计中，SGAD+ROMA 的 AUC@5° 提高 7.39%，达到新的状态最佳成绩。
引用
@article{arxiv.2508.02278,
title = {SGAD: Semantic and Geometric-aware Descriptor for Local Feature Matching},
author = {Xiangzeng Liu and Chi Wang and Guanglu Shi and Xiaodong Zhang and Qiguang Miao and Miao Fan},
journal= {arXiv preprint arXiv:2508.02278},
year = {2025}
}
备注
Accepted to ICCV 2025 (Highlight)