DeDoDe: 本地特征匹配中的检测，不是描述 - 描述，不是检测

Aug, 2023

DeDoDe: 本地特征匹配中的检测，不是描述 - 描述，不是检测

DeDoDe: Detect, Don't Describe -- Describe, Don't Detect for Local Feature Matching

Johan Edstedt, Georg Bökman, Mårten Wadenbäck, Michael Felsberg

TL;DR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。

Abstract

keypoint detection is a pivotal step in 3d reconstruction, whereby sets of (up to) K points are detected in each view of a scene. Crucially, the detected points need to be consistent between views, i.e., correspo

keypoint detection 3d reconstruction learning objective binary classification mutual nearest neighbours

发现论文，激发创造

DeDoDe v2：分析和改进 DeDoDe 关键点检测器

本文改进了 DeDoDe 关键点检测器，解决了聚类问题、数据扩增敏感性和评估难题，并将改进后的 DeDoDe v2 与原始描述符进行评估，显著提高了姿态估计结果。

Apr, 2024

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

通过联合学习检测和描述关键点来增强可变形局部特征

DALF is a new, deformation-aware network for jointly detecting and describing keypoints, which can be used for local feature extraction in computer vision and delivers better performance when dealing with matching deformable surfaces.

Apr, 2023

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

可重复、可靠的检测器和特征描述器 (R2D2)

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。

Jun, 2019

P2-Net：针对像素和点匹配的局部特征描述和检测的联合方法

提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

Mar, 2021

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

鱼眼和透视图像自监督兴趣点检测和描述

本文通过自监督学习的方法针对鱼眼和投影图像混合的情况，研究关键点检测和匹配问题，提出了一种训练兴趣点检测器和描述符网络的方法，并证明了目前的方法不是最优解，提出的方法是最有效的。

Jun, 2023

KeypointDeformer: 无监督 3D 关键点发现的形状控制

介绍一种新的无监督方法 KeypointDeformer，通过自动发现的 3D 关键点进行形状控制，并通过比较两个对象的潜在表示来分析其形状差异，并通过 3D 关键点和形状变形算法将源对象变形为目标对象。

Apr, 2021

KDD-LOAM：基于联合学习的关键点检测器和描述符辅助 LiDAR 里程计和地图构建

稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。

Sep, 2023