理解dual softmax

在lightglue中，通过dual softmax的使用，我们替换了superglue中的sinkhorn环节。

其具体操作如下：

基于来自图像A的[[1, n, 256])] 维度的特征描述子，以及来自图像B的[1, m, 256]的描述子，首先经过linear层的操作，将其转换为[1, n, 1] 和 [1, m, 1]的特征，对应下列函数中的z0和z1。然后，两张图片的特征向量经过einsum的操作     sim = torch.einsum("bmd,bnd->bmn", mdesc0, mdesc1)， 得到了[1,n,m]的矩阵。   然后，基于在两个维度的softmax和转秩操作，我们实现了dual softmax。

之后，我们将z0,z1的数值与dual softmax的数值相结合，并将最后一行，和一列做特殊的填充，我们就实现了lightglue中稍微有点特殊的dual softmax的操作。

def sigmoid_log_double_softmax(
    sim: torch.Tensor, z0: torch.Tensor, z1: torch.Tensor
) -> torch.Tensor:
    """create the log assignment matrix from logits and similarity"""
    b, m, n = sim.shape
    certainties = F.logsigmoid(z0) + F.logsigmoid(z1).transpose(1, 2)
    scores0 = F.log_softmax(sim, 2)
    scores1 = F.log_softmax(sim.transpose(-1, -2).contiguous(), 2).transpose(-1, -2)
    scores = sim.new_full((b, m + 1, n + 1), 0)
    scores[:, :m, :n] = scores0 + scores1 + certainties
    scores[:, :-1, -1] = F.logsigmoid(-z0.squeeze(-1))
    scores[:, -1, :-1] = F.logsigmoid(-z1.squeeze(-1))
    return scores