用于弱监督局部特征学习的共享耦合桥
计算机视觉与模式识别
2025-08-18 v1
摘要
稀疏局部特征提取通常被认为在同步定位与建图、图像匹配与三维重建等典型视觉任务中具有重要意义。目前其仍存在一些有待改进的不足，主要包括所提取局部描述子的判别力、所检测关键点的定位精度，以及局部特征学习的效率。本文致力于推进当前流行的基于相机位姿监督的稀疏局部特征学习。为此，有针对性地提出一种具有四项轻量而有效改进的弱监督局部特征共享耦合桥（SCFeat）学习方案。其主要包含：i) 用于局部描述子学习的 \emph{Feature-Fusion-ResUNet 骨干}（F2R-Backbone），ii) 一种用于改善描述网络与检测网络解耦训练的共享耦合桥归一化，iii) 带峰值度量的改进检测网络以检测关键点，以及 iv) 作为奖励因子以进一步优化特征检测训练的基础矩阵误差。大量实验证明我们的 SCFeat 改进有效。其在经典图像匹配与视觉定位上常取得最先进（SOTA）性能。在三维重建方面，其仍能取得具竞争力的结果。为共享与交流，我们的源代码发布于 https://github.com/sunjiayuanro/SCFeat.git。
引用
@article{arxiv.2212.07047,
title = {Shared Coupling-bridge for Weakly Supervised Local Feature Learning},
author = {Jiayuan Sun and Jiewen Zhu and Luping Ji},
journal= {arXiv preprint arXiv:2212.07047},
year = {2025}
}
备注
15 pages