ConvMatch: Rethinking Network Design for Two-View Correspondence Learning
题目:ConvMatch:重新思考两视图对应学习网络设计
作者:Shihua Zhang; Jiayi Ma
源码:https://github.com/SuhZhang/ConvMatch
摘要
多层感知器(MLP)已成为双视图对应学习的事实骨干,因为它可以单独提取无序对应点的有效深度特征。然而,由于天生缺乏上下文信息,其性能受到限制,尽管在后续研究中附加了许多捕获上下文的模块。在本文中,我们从一个新的角度出发,设计了一个名为ConvMatch的对应学习网络,首次可以利用卷积神经网络(CNN)作为骨干,具有固有的上下文聚合能力。具体来说,我们观察到稀疏运动向量和密集运动场可以通过插值和采样相互转换,我们通过隐式估计密集运动场来规范候选运动向量,然后使用CNN纠正局部区域异常值引起的错误,并最终从修正后的运动场中获得正确的运动向量。此外,我们提出了全局信息注入和双边卷积,以更好地适应整体空间变换,并容纳大场景视差情况下运动场的不连续性。广泛的实验表明