通过灵活的分层细化和补丁描述符精炼的广义匹配

Mar, 2024

通过灵活的分层细化和补丁描述符精炼的广义匹配

Generalized Correspondence Matching via Flexible Hierarchical Refinement and Patch Descriptor Distillation

Yu Han, Ziwei Long, Yanting Zhang, Jin Wu, Zhijun Fang...

TL;DR本文的主要关注点是解决深度特征匹配（DFM）的局限性，通过采用更灵活的最近邻搜索策略并集成图像补丁描述符，扩展了 DFM 的适用范围，同时提出了一种新颖的图像补丁描述符精炼策略，进一步降低了对应匹配的计算复杂度，实验证明我们的方法在实际机器人应用中具有卓越的性能。

Abstract

correspondence matching plays a crucial role in numerous robotics applications. In comparison to conventional hand-crafted methods and recent data-driven approaches, there is significant interest in plug-and-play algorithms that make full use of pre-trained backbone networks for multi-

correspondence matching deep feature matching hierarchical refinement patch descriptor distillation robotics applications

发现论文，激发创造

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

DFM: 深度特征匹配性能基准

本文提出了一种新颖的图像匹配方法，利用预先训练的 VGG 神经网络提取图像特征，在首次较好的几何转换估计后，再以分层的方式重复运用该方法，达到良好的本地化和匹配性能。该算法在 Hpatches 数据集上达到了 0.57 和 0.80 的平均匹配准确性分数，表现优于现有技术。

Jun, 2021

层次结构度量学习及其在二维和三维几何对应中的匹配

该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务，并相较于先前的手动特征点描述方法，展示了更佳的匹配结果。

Mar, 2018

利用深度视觉描述符进行分层高效定位

该论文提出了一种利用深度学习技术进行分层定位的方法，仅在候选位置上计算 2D-3D 匹配的精确位姿估计，从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能，为机器人研究带来了新的前景。

Sep, 2018

Patch2Pix: 基于极线引导的像素级对应

本文提出了基于检测再细化的新视角来估计对应关系，并介绍了一种新颖的细化网络 Patch2Pix，它通过对匹配传播的精细调整和置信度分数的拒绝来提高对应关系网络的性能，实现了图像匹配、单应性估计和定位任务的最优性能。

Dec, 2020

半稠密无检测器方法在匹配局部特征上表现如何？

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

Diff-Reg v1：用于配准问题的扩散匹配模型

建立可靠的对应关系对于 3D 和 2D3D 对准等任务至关重要。为了解决大变形、尺度不一致和模糊匹配问题所带来的挑战，本文引入了一种用于建立鲁棒对应关系的扩散匹配模型，在双随机矩阵空间内将对应估计视为去噪扩散过程，逐步去噪（细化）双随机匹配矩阵至准确的匹配矩阵，以进行高质量的对应估计。该方法在 3D 和 2D3D 对准任务上的评估验证了其有效性。

Mar, 2024

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

图像扩散中的紧急对应

本文提出 DIffusion FeaTures (DIFT) 方法来确立图像之间的对应关系，在稳定扩散的情况下，DIFT 均能够在语义、几何和时间上优于弱监督方法以及其他对照组，尤其是在 SPair-71k 基准测试中，DIFT 相对于 DINO 和 OpenCLIP 的准确率分别提高了 19 个和 14 个点，即使在总体性能上表现相当的情况下，在 18 个类别中有 9 个可以超越最先进的监督方法。

Jun, 2023

HCPM: 高效无检测器匹配的分层候选筛选

基于深度学习的图像匹配方法在计算机视觉中发挥了重要作用，但往往需要大量的计算资源。为了解决这个问题，我们提出了一种高效且无需检测器的局部特征匹配方法 HCPM，通过分层修剪来优化匹配流程。与依赖于粗略级别候选集进行匹配的最新无检测器方法不同，HCPM 仅集中在一小部分有信息量的候选项上，从而减少计算要求并提高匹配效率。该方法包括自剪枝阶段以选择可靠的候选项，以及在粗略级别上识别相关补丁的交互式剪枝阶段。我们的结果表明，HCPM 在速度和高准确性方面显著超越现有方法。发布后，源代码将可供使用。

Mar, 2024