不匹配:评估图像匹配方法和基准的局限性
本文提出了一种名为 3DMatch 的数据驱动模型,它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符,且利用自我监督特征学习方法来汇集训练数据。实验证明,该描述符不仅可以用于重构新场景的局部几何形状的匹配,而且可以推广到不同的任务和空间尺度。
Mar, 2016
本文介绍了一种利用基于学习的方法和传统智慧生成匹配体积,以提高立体匹配准确性的方法。作者使用随机森林分类器将来自双向匹配过程的不同证据融合在一起,证明了该方法的准确性与纯数据驱动替代方案相当,并且能够更好地应用于未见过的数据。
Apr, 2018
深度立体匹配网络结合边缘检测网络,构成一种多任务学习网络,其中边缘线索提供了出色的线索,以实现细节区域的视差估计精度的提高,并获得 state-of-the-art 的表现。
Mar, 2019
评估最近算法在图像匹配及极线几何评估中的表现,并利用它们设计出更实用的注册系统,扩大计算机视觉任务的应用,通过四个大型数据集的实验,提出了三种高质量的匹配系统和粗-细 RANSAC 评估器,具有潜在的应用前景。
Aug, 2019
本文介绍了一个用于本地特征与鲁棒估计算法的全面基准测试,旨在通过相机位姿的准确性作为主要指标。我们的管道模块化结构允许易于集成、配置和组合不同的方法和启发式算法。同时我们展示了如何嵌入数十种流行算法进行评估,进而表明经典算法在适当的设置下可能仍能胜过认为的最前沿机器学习研究。此外,我们实验发现一些意想不到的图像匹配解决方案的性质,这有助于改进它们的性能,无论是算法还是机器学习方法。我们提供了一个易于使用和灵活的框架,用于衡量本地特征与鲁棒估计方法,同时与顶级方法进行比较,构建了一个基础性的图像匹配挑战平台。
Mar, 2020
提出了一种新的方法来确定自然环境下图像对之间的对应关系,在大的光照变化、视角变化、语境和材料下进行。该方法引入了一种空间注意力机制和一个独特性得分,能够改善对这些因素变化下的对应关系的检测,并在许多任务中实现了最先进或具有竞争力的结果。
Jul, 2020
本文提出了一个灵活的框架DetMatch,用于2D和3D模态的联合半监督学习,通过识别两个传感器检测到的对象,生成更干净、更健壮的伪标签,进一步利用RGB图像的更丰富的语义来矫正不正确的3D类别预测。该方法在KITTI和Waymo数据集上取得了比强大的半监督学习方法更好的效果。
Mar, 2022
本文通过统一的基准测试分析了计算机视觉图匹配问题的不同算法,提供了有价值的资源,研究表明:1)流行的问题实例可以在不到1秒的时间内得到精确解,因此不适用于未来的经验评估;2)最流行的基线方法远远不如最佳方法;3)尽管该问题是NP难的,但来自视觉应用的实例通常可以在几秒钟内解决,即使对于具有500个以上顶点的图形也是如此。
Jul, 2022
采用2D3D-MATR方法,我们提出了一种无需检测的方法,用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上,通过学习全局上下文约束和跨模态相关性,通过transformer实现多尺度金字塔和图像块焦点学习,解决了尺度不确定性问题,从而获得了比之前的最优模型P2-Net更高的配准率和稳定度。
Aug, 2023
我们提出了一种无监督数据驱动的方法用于非刚性形状匹配,通过建立层次化基于补丁的形状表示和约束形状匹配的3D近刚性变形模型,实现了对噪声和变形具有鲁棒性的匹配。实验证明,相比最先进的方法在原始3D扫描数据上获得了显著更好的结果,并在标准测试场景上表现相当。
Nov, 2023