SuperGlue是一种尝试将特征点匹配和异常点剔除过程端到端深度网络化的算法，旨在改进传统SLAM在纹理不足或视角变化情况下的匹配效果。它采用注意力机制的图神经网络，结合特征点描述子和位置信息，通过Sinkhorn算法解决局部匹配问题，提高了特征匹配的准确性。
简介
传统SLAM的流程通常包括如下内容， 特征点提取+描述，特征点匹配 + 异常点去除， 位姿估计。
在以往前人的工作中，SuperPoint和 D2-Net试图解决特征点检测和描述的问题。而检测之后的匹配通常通过最近邻匹配和异常点剔除的方式完成。最后再完成位姿估计。
而SuperGlue试图将特征点的描述，特征的匹配（异常点的剔除）采用端到端的深度网络实现。这意味着距离实现全栈的DLslam又进了一步。
动机
很多场景，由于纹理特征不足，或者局部特征不具备代表性，特征匹配不能取得很好的效果。如下图棋盘格，采用最近邻和distance ratio后，效果依旧非常糟糕。这个例子想说明的是，即使具备了特征点和描述子，由于视角的变化和纹理特征的缺失。很多时候，我们依旧无法获取好的data association。
算法介绍
问题定义
我们要解决的问题“学习特征匹配”。也可以被解读为，寻找两个特征点集合的最优匹配关系。
该算法输入为：
- 两张图片
- 图片上的特征点和描述子（两张图片分别包含m，n个特征点和描述子）
输出为
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
