本文介绍了 SuperGlue，它是一个神经网络，通过联合找到对应和拒绝不可匹配的点，匹配两组局部特征。我们通过解决可微分的最优传输问题来估算分配，其成本由图神经网络预测。我们引入了一种基于注意力的灵活的上下文聚合机制，使 SuperGlue 能够联合推理基础的三维场景和特征分配。与传统的手动设计启发式技术相比，我们的技术通过从图像对的端到端训练来学习几何变换的先验知识和三维世界的规律性。SuperGlue 在挑战性的现实室内和室外环境中的姿态估计任务中优于其他学习方法，并实现了最先进的结果。所提出的方法可以在现代 GPU 上实时匹配，并可以轻松集成到现代 SfM 或 SLAM 系统中。代码和训练好的模型在 https URL 公开。

Nov, 2019

本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练，我们的方法不需要任何注释的线标签，并且可以推广到任何数据集。在多视图数据集及实际应用中，本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度，是向学习特征点方法迈出的第一步。

Apr, 2021

LightGlue 是一种深度神经网络，可以跨图像学习匹配本地特征，并通过多个简单但有效的改进使其更加高效、精确、易于训练，尤其适用于对于视觉重叠度较高或外观变化有限的图像匹配问题，这为 3D 重建等对延迟敏感的应用开启了希望。

Jun, 2023

我们提出了 AffineGlue，这是一种联合两视图特征匹配和鲁棒估计的方法，通过使用单点最小求解器减少问题的组合复杂性。AffineGlue 从一对多的对应中选择潜在匹配项来估计最小模型。引导匹配然后用于发现与模型一致的匹配，避免了一对一匹配的歧义。此外，我们推导出了一种新的最小求解器用于单应性矩阵估计，只需要一个仿射对应和重力先验。此外，我们训练了一个神经网络来排除不太可能导致良好模型的仿射对应。在真实数据集上，AffineGlue 优于 SOTA，即使假设重力方向向下。在 PhotoTourism 上，与 SOTA 相比，AUC@10° 的得分提高了 6.6 个点。在 ScanNet 上，AffineGlue 使 SuperPoint 和 SuperGlue 达到与无检测器的 LoFTR 相似的准确性。

Jul, 2023

我们提出了一种基于图神经网络的稀疏特征匹配网络，旨在在具有挑战性条件下执行健壮的匹配，并在移动物体上排除关键点，实验结果表明，与最先进的特征匹配网络相比，我们的网络在在静态环境中实现了类似的结果，并且在高度动态的场景中显著提高了 SLAM 系统的性能。

Mar, 2024

本篇论文提出了一种基于线特征引导的局部映射的图像拼接方法，并采用全局相似性约束来减少透视失真，实验结果表明该方法具有令人信服的拼接性能并且优于当前主流方法。

Feb, 2017

该研究提出一种新的方法，使用简单的图形表示法描述交点、线段和它们之间的关系，并使用 PPGNet 卷积神经网络从图像中提取线段图。经过对 York Urban 和 Wireframe 数据集的测试表明，该方法具有较好的性能，并可以推广到所有测试数据集中。

May, 2019

通过利用一个轻量级神经网络，我们展示了如何学习表示三维点和线特征，并通过多个学习映射的力量在姿态准确性方面取得领先的结果。我们通过使用一个转换器块编码线特征，将其有效地转化为独特的点式描述符，并在几个图层中集成自注意力和交叉注意力，从而有效地优化每个特征后使用两个简单的多层感知器进行三维地图回归。在综合实验中，我们的室内定位结果在基于点和基于线的配置上都超过了 Hloc 和 Limap 的结果。而且，在户外场景中，我们的方法取得了显著的领先地位，是目前基于学习的方法中最重要的改进。

Feb, 2024

OmniGlue 是第一个以广义化为核心原则设计的可学习图像匹配器，它利用视觉基础模型的广泛知识来指导特征匹配过程，提高对未知图像域的泛化能力，并且通过引入新颖的关键点位置引导的注意机制，分离空间和外观信息，从而实现了出色的匹配描述符。

May, 2024

本文提出了一种基于点线特征的立体视觉里程计（StereoVO）技术，并使用一种基于注意力图神经网络的新型特征匹配机制，在恶劣的天气条件（如雾、霾、雨和雪）和动态光照条件（如夜间照明和眩光场景）下表现出色，通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明，与先进的线特征匹配算法相比，我们的方法能够获得更多的线特征匹配，而与点特征匹配相结合，在恶劣的天气和动态光照条件下表现一致优秀。

Aug, 2023