我们提出了一种新的方法来高效地生成图像间的半稠密匹配。先前的无需检测器的匹配器 LoFTR 在处理大视角变化和贫纹理场景方面表现出卓越的匹配能力，但效率较低。我们重新审视其设计选择，并对效率和准确性进行多个改进。通过聚合注意力机制和自适应令牌选择，我们避免了在整个特征图上执行变换器的冗余操作。此外，我们发现 LoFTR 的细粒度相关模块存在空间差异，这对匹配准确性不利。我们提出了一种新颖的两阶段相关层，以实现准确的亚像素对应关系。我们的优化模型比 LoFTR 快 2.5 倍，甚至可以超过最先进的高效稀疏匹配流水线 SuperPoint + LightGlue。此外，广泛的实验表明，我们的方法相比竞争对手的半稠密匹配器可以实现更高的准确性，并带来可观的效率优势。这为大规模或对延迟敏感的应用，如图像检索和三维重建，开辟了令人兴奋的前景。

Mar, 2024

通过引入卷积变换器，本研究提出了一种捕捉图像匹配的局部环境和全局结构的新型图像匹配方法，该方法在各种基准测试中取得了卓越的性能。

Nov, 2023

在相对位姿估计评估上，SDF 方法的性能优于 SAM，但 SAM 方法在纹理区域的匹配准确性上胜过 SDF 方法，同时揭示了纹理区域的准确对应能力与位姿估计的准确性之间的强相关性

Feb, 2024

提出了一个新的基于查询的目标检测模型 FoLR，通过在局部区域而非全局区域重点关注物体来增强自注意力机制，引入自适应采样方法从特征图中提取有效特征，并使用回溯策略和特征混合模块来提升性能，实验证明了 FoLR 在收敛速度和计算效率方面具有领先的性能。

Oct, 2023

本研究提出了一种名为 Feature Matching with Reconciliatory Transformer（FMRT）的新型 Transformer-based 检测器自由方法，它能够自适应地调解不同特征和多个感受野，并利用并行网络来实现可靠的位置编码，实验表明 FMRT 在多个基准测试中表现出非凡的性能。

Oct, 2023

本文提出了一种新的层次化提取和匹配变形器 MatchFormer 来提高局部特征匹配的效率和鲁棒性，该方法结合自注意力和跨注意力在多尺度特征的层次化架构上提高匹配鲁棒性，并在室内姿势评估、室外姿势评估、单应性评估和图像匹配检测四个基准测试中均取得 state-of-the-art 的结果。

Mar, 2022

我们介绍了一种跨模态跨视角方法，用于热红外和可见图像之间的局部特征匹配。该方法通过引入掩膜图像建模预训练和微调，并加入伪热图像增强解决了模态差异的问题，同时通过子像素级的细化调整解决了尺度差异和增强匹配的可靠性。我们通过一个综合的可见 - 热红外数据集验证了我们的方法，并展示了在多项基准测试中我们方法的优越性。

Apr, 2024

本文提出了基于变换器的半密集匹配方法，引入了基于仿射的局部注意力和选择性融合来模拟跨视图变形，并强调了损失设计中的空间平滑性的重要性，通过这些增强方法，我们的网络在不同设置下表现出很强的匹配能力。

May, 2024

本文提出了一种名为 OETR 的 Overlap Estimation 方法，该方法利用 Transformer 对图像对进行条件化，并在常见可见区域内约束本地特征匹配，并在特征相关性和重叠回归的两个步骤中执行重叠估计，可用于任何现有的局部特征检测和匹配流水线中，以减轻潜在的视角或尺度差异，实验表明该方法可以显着提高本地特征匹配的表现。

Feb, 2022

提出一种新的关键点描述方法，通过自监督匹配网络获取稳健的特征描述子。设计了一种轻量级变换网络 LTFormer 生成深层特征描述子，并通过创新的三元组损失函数 LT Loss 进一步提高匹配性能，相比手工设计的本地特征描述子表现更好，即使数据有限，也与最先进的基于深度学习的方法相媲美。

Apr, 2024