可重复、可靠的检测器和特征描述器 (R2D2)

Jun, 2019

可重复、可靠的检测器和特征描述器 (R2D2)

R2D2: Repeatable and Reliable Detector and Descriptor

Jerome Revaud, Philippe Weinzaepfel, César De Souza, Noe Pion, Gabriela Csurka...

TL;DR本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

Abstract

interest point detection and local feature description are fundamental steps in many computer vision applications. Classical methods for these tasks are based on a detect-then-describe paradigm where separate han

interest point detection local feature description neural networks metric learning keypoint detection

发现论文，激发创造

强化特征点：针对高级任务优化特征检测和描述

该研究论文提出一种嵌入完整视觉流水线中的特征检测器训练方法，通过强化学习的原则克服关键点选择和描述符匹配的离散性，并通过实验表明该方法可以提高基于学习的特征检测器在任务中的准确性。

Dec, 2019

D2D: 使用描述符进行关键点提取的方法检测

本研究提出了一种新的方法，利用描述符空间中的信息提出关键点位置。该方法称为 D2D，它利用成功的描述符模型选择具有高信息内容的显著位置作为关键点定位，并在多个基准测试中表现出优异的匹配性能。

May, 2020

SFD2: 语义引导的特征检测与描述

本文提出了一种将高级语义隐式嵌入到检测和描述过程中的语义感知检测器来提高视觉定位准确度的方法，大幅降低了对于外观变化敏感的特征数量，增强了与语义相关的区域的描述符辨别能力，该方法在 Aachen Day-Night 和 RobotCar-Seasons 数据集上的实验表明，在使用 2k 和 4k 关键点的情况下，与先前的本地特征相比，我们的模型表现更好，且速度更快。

Apr, 2023

D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符

通过引入一种名为 D3Former 的基于显著性引导的变换器模型，联合学习可重复的稠密检测器和增强特征的描述符，实现了准确匹配点云问题的关键步骤，实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。

Dec, 2023

HD2Reg: 点云配准的层次结构描述符与检测器

本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

May, 2023

端到端学习鲁棒姿态 3D 匹配的关键点检测器和描述符

本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。

Feb, 2018

D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

May, 2019

SEKD：自适应进化的关键点检测和描述

使用自监督框架 SEKD 从未标记的自然图像中学习高级局部特征模型，实现了与传统手工精制和基于深度神经网络方法相比表现更好的齐次估计、相对姿态估计和结构运动任务检测。

Jun, 2020

UR2KiD: 无需局部一致性监督的统一检索、关键点检测和关键点描述

本文提出了一种基于 ResNet 模型的统一框架，用于关键点检测、特征提取和图像检索，不需要使用点对点的训练数据，利用通用技术在标准 ResNet 模型的连续层中提取局部信息，通过局部响应值的池化提取全局信息，可以在各种具有挑战性的评估条件下获得与最先进方法相当的结果，而无需像素级对应关系的监督。

Jan, 2020

DeDoDe: 本地特征匹配中的检测，不是描述 - 描述，不是检测

基于 3D 连续性，我们通过从大规模 SfM 中训练探测器来直接学习关键点，并且通过分离的网络最大化互相最近邻目标来训练描述符。结果表明，我们的方法 DeDoDe 在多个几何基准测试中取得了显著的增益。

Aug, 2023