面向挑战性立体图像的无监督多边形匹配 U(PM)$^2$
计算机视觉与模式识别
2025-11-11 v1
摘要
立体图像匹配是计算机视觉、测绘和遥感领域的基础任务，但多边形匹配这一几乎未被探索的领域面临以下挑战：视差 discontinuities、尺度变化、训练需求以及泛化性问题。为解决上述问题，本文提出了一种新型无监督多边形匹配方法 U(PM)，通过统一自动学习特征与手工特征实现低成本无监督匹配，其流程如下：首先，检测器利用预训练的 segment anything model 获取掩码；随后，向量化将掩码转换为多边形和图形结构；接着，全局匹配器基于双向金字塔策略结合预训练的 LoFTR，解决全局视角变化和尺度变化带来的挑战；最后，局部匹配器通过局部联合几何和多特征匹配策略结合匈牙利算法，进一步克服多边形匹配中的局部视差 discontinuities 和拓扑不一致性问题。我们在 ScanNet 和 SceneFlow 数据集上对 U(PM) 进行基准测试，使用我们提出的新指标，实现了在竞争速度下达到最先进的精度，并在低成本下表现出令人满意的泛化性能，无需任何训练需求。
引用
@article{arxiv.2511.05949,
title = {U(PM)$^2$:Unsupervised polygon matching with pre-trained models for challenging stereo images},
author = {Chang Li and Xingtao Peng},
journal= {arXiv preprint arXiv:2511.05949},
year = {2025}
}