ECCVSep, 2022

基于粗细磨合精化的高效对应关系寻找

PDF
TL;DR本文提出了一种名为 Efficient Correspondence Transformer (ECO-TR) 的高效对应变换器，通过一个由多个 transformer blocks 组成的网络，以从粗到细的方式找到对应关系，并提出了一种自适应查询聚类策略和基于不确定性的异常值检测模块来协同实现更快、更好的预测，实验结果表明了本方法在效率和效果方面的优越性。
image matchingcorrespondence modelefficient correspondence transformertransformer blocksoutlier detection
发现论文，激发创造
  • COTR: 跨图片匹配的对应转换器

    本研究提出了一种新颖的基于深度神经网络的图像对应关系发现框架，可以根据给定的两幅图像和一个查询点在其中一个图像中找到其在另一个图像中的对应关系，并可以检索稀疏或密集的对应关系，同时在推理时，递归地以估计为中心缩放，形成了多尺度通道，从而能够提供高度准确的对应关系。本方法在多个数据集和任务中明显优于现有技术，并不需要针对特定数据集进行重新训练。

    Mar, 2021

  • REGTR: 基于 Transformer 的端到端点云对应

    该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

    Mar, 2022

  • 高效的 LoFTR：带有类稀疏速度的半稠密本地特征匹配

    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

  • LoFTR: 基于 Transformer 的无检测器局部特征匹配

    本文提出了一种新的局部图像特征匹配方法，使用 Transformer 的自注意层和交叉注意层得出特征描述符，在低纹理区域中实现稠密匹配，在室内和室外数据集上表现优异，成为视觉定位的新的 state-of-the-art 方法。

    Apr, 2021

  • 基于重叠估计的局部特征匹配指南

    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

  • OcTr：基于八叉树 Transformer 的 3D 物体检测

    本文介绍了一种名为 OcTr 的基于八叉树的 Transformer 方法，通过动态构建八叉树从而实现对远距离或 / 和遮挡物体的有效检测，进一步提出了一种混合位置编码方法以增强前景感知，实验表明 OcTr 方法在 Waymo 开放数据集和 KITTI 数据集上均取得了最新的最佳结果。

    Mar, 2023

  • GeoTransformer: 快速且鲁棒的点云配准算法与几何变换

    本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。

    Jul, 2023

  • 快速而坚固的点云配准的几何变换器

    本研究提出了一种名为几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。

    Feb, 2022

  • 自适应点引导变形注意力网络用于本地特征一致匹配

    本文提出了一种自适应的、采用了诸多优点的区域引导 Transformer 网络 (ASTR) 来解决图像的局部特征匹配问题，同时考虑了局部一致性和尺度变化的因素，实验结果证明 ASTR 在五个标准基准数据集上的表现超越了现有最先进的方法。

    Mar, 2023

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016