Steerers：一种旋转等变关键点描述符框架

在视角变化较大的情况下，具有判别性且可匹配的图像关键点描述符对于 3D 重建至关重要。然而，学习型描述符输出的描述通常对相机旋转不具有鲁棒性。虽然可以通过数据增强等方法使其更具鲁棒性，但这会降低在直立图像上的性能。另一种方法是测试时增强，这会显著增加运行时间。相反，我们在描述空间中学习一种线性变换，对输入图像的旋转进行编码。我们将这种线性变换称为 steerer，因为它允许我们像图像被旋转一样变换描述符。从表示理论中，我们知道了旋转群的所有可能 steerer。Steerer 可以在给定固定描述符的情况下进行优化 (A)，与描述符联合优化 (B)，或者我们可以在给定固定 steerer 的情况下优化描述符 (C)。我们在这三种设置下进行了实验，并在旋转不变图像匹配基准 AIMS 和 Roto-360 上取得了最先进的结果。我们在 https://github.com/georg-bn/rotation-steerers 发布了代码和模型权重。