- 具有挑战性的高空间分辨率光学卫星立体场景中先进特征匹配算法的比较分析
通过对高空间分辨率 (HSR) 光学卫星立体图像的特征匹配算法进行评估,本研究发现 SuperPoint + LightGlue 算法在平衡稳健性、准确性、分布性和效率方面表现出优秀的综合性能,显示了其在复杂 HSR 光学卫星场景中的潜力。
- CVPRATOM: 高效数据集提炼的关注力混合器
利用 ATtentiOn Mixer (ATOM) 模块在特征匹配过程中使用混合的通道和空间注意力,以有效地精炼大型数据集,从而在各种计算机视觉数据集中展现出卓越的性能。
- AGL-NET:具有不同尺度的航地跨模态全局定位
通过利用 LiDAR 点云和卫星地图,AGL-NET 提出了一种新的基于学习的全球定位方法,解决了图像和点云数据之间的表征差异以及全局视图和局部视图之间的尺度差异的关键挑战。AGL-NET 采用一种统一的网络架构,通过创新的两阶段匹配设计来 - SGCNeRF: 通过稀疏几何一致性指导的少样本神经渲染
通过引入特征匹配的稀疏几何规则化模块,本文提出了一种名为 SGCNeRF 的有效少样本神经渲染架构,通过 NeRF 迭代中几何和纹理的渐进细化,提供卓越的几何一致性结果,并在 LLFF 和 DTU 数据集上分别提高了 0.7dB 和 0.6 - CVPR生成多模态模型在类增量学习中表现优秀
我们提出了一种适用于类增量学习的新型生成多模态模型(GMM)框架,通过适应的生成模型直接生成图像的标签,利用文本编码器提取文本特征并使用特征匹配确定最相似的标签作为分类预测结果,在常规类增量学习任务和少样本类增量学习任务中,我们相比目前最先 - 一种加速视觉 SLAM 的错误匹配排除方法
通过将 GMS(基于网格的运动统计)与 RANSAC(随机抽样一致性)结合,加速了 Visual SLAM 方法,提高了特征匹配的准确性,从而减少了系统的实时性能影响。
- 基于多层细化策略的特征匹配方法
基于多层细粒度匹配策略,本文提出了一种名为 KTGP-ORB 的新型特征匹配方法,通过利用特征描述符在汉明空间中的局部外观相似性来建立初始对应关系,结合局部图像运动平滑性约束,使用 GMS 算法增强初始匹配的准确性,并最终采用 PROSAC - MESA: 匹配一切通过分割任何物体
在计算机视觉领域中,特征匹配是一项至关重要的任务,先前的研究在使用基于学习的特征对比时取得了显著的性能。然而,图像之间存在的匹配冗余普遍导致这些方法中的不必要和容易出错的计算,限制了其准确性。为了解决这个问题,我们提出了 MESA,一种用于 - iMatching: 即时对应学习
通过引入一种新的自监督学习方案,我们提出了一种新的方法来训练特征对应关系,这种方法能够在任意连续的视频上进行特征对应关系的学习,而无需摄像头姿态或深度标签,从而为自监督的对应关系学习开创了一个新时代。在广泛的实验证明中,表现出较高的性能,在 - ICCV当极线约束遇上多视点立体的非局部算子
应用非局部特征增强和基于双线搜索的 Transformer 方法改进多视角立体视觉的特征匹配,并在学习式 MVS 基线 ET-MVSNet 中加入 Epipolar Transformer 技术,提高了重建性能。
- 运动匹配:三维单目标跟踪的混合范式
提出了一种混合模型,命名为 MTM-Tracker,将运动建模与特征匹配相结合,用于 3D 单物体追踪任务,并在大规模数据集上取得了竞争性能。
- 基于深度学习的点线特征匹配的立体视觉里程计与注意力图神经网络
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 - AffineGlue:联合匹配与稳健估计
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 - Touché 2023: 论证图片检索中的图像生成、态度检测和特征匹配比较
参加 “争论图像检索” 共享任务,我们使用不同的流程进行图像检索,包括图像生成、立场检测、预选和特征匹配。我们提交了四个不同的运行流程,并与给定的基准线进行比较。我们的流程与基准线表现相似。
- ResMatch: 针对局部特征匹配的残差注意力学习
本文提出了 ResMatch 和 sResMatch 两种残差注意力学习策略,以利用描述符和相对位置的相似性来实现图神经网络中的特征匹配和过滤。实验证明,这些网络在特征匹配、姿态估计和视觉定位等方面具有优越性。
- 内窥镜图像匹配的图形自监督学习
本研究提出一种新颖的自监督方法,将卷积神经网络和基于注意力机制的图神经网络相结合,用于处理内窥镜图像中的特征匹配和对应关系问题,并在精度方面具有出色的表现。
- DAC: 深度局部特征的检测器不可知空间协方差
该研究提出了两种后置协方差估计方法,可以用于任何经过预训练的深度特征检测器,这些协方差可以直接与特征匹配误差相关联,从而改善下游任务,包括三角化,透视 - N 点问题和只运动捆绑调整。
- 从区域到点的搜索:面向语义几何特征匹配的层次框架
本文介绍了一种基于面积匹配的层次型特征匹配框架:A2PM,通过先找到图像间语义区域匹配,再在区域匹配上执行点匹配,将搜索空间设置为具有显著特征的区域匹配,从而实现高匹配精度,并使用语义和几何区域匹配方法(SGAM)来建立精确无误的区域匹配。 - 自然语言处理下的特征匹配
本文提出一种新的混合模型,使用事先训练好的基于自然语言处理(NLP)的 BERT 模型和基于 Jaccard 相似度的统计模型并行,用于匹配不同数据集中的特征,从而减少搜索相关性或手动匹配每个数据集中的特征所需的时间。
- AAAIParaFormer: 并行注意力变换器用于高效特征匹配
本论文提出了基于深度学习和两种新型概念 ——ParaFormer 和基于图形的 U-Net 结构,以实现卓越的性能和高效率,通过在各种应用(包括单应性估计、姿态估计和图像匹配)上进行多项实验证明 ParaFormer-U 变体在保证性能同时