本文介绍了SuperPoint，一个自监督训练的特征点检测和描述符提取方法，及其在深度图像Homography Estimation中的应用。通过端到端的网络设计，不仅输出单应矩阵，还提供了置信度评估。实验表明，虽然在精度评测上与ORB相比没有显著优势，但在实际图像对齐中表现出色。
0. 写在前面
SuperPoint 是基于自监督训练的特征点检测和描述符提取方法，是2018年MagicLeap发表的一篇文章中提出的。MagicLeap是一个备受争议的做VR的公司，大家如果对他的八卦有兴趣可以看这篇文章：
年度盘点，一文详解Magic Leap 2018年热搜高居不下的原因baijiahao.baidu.com
我在阅读这篇文章的过程中，感觉作者的写作思路很清晰，尤其是把各个技术点之所以这么做的原因写的很清楚，所以又去搜了作者其他论文，一共搜到三篇，另外两篇分别是2016年和2017年发表的，这三篇文章通读下来，可以看清作者在使用深度学习进行位姿估计这一方法上的思路演变过程，为了把这一脉络理清楚，我们按照时间顺序对这三篇文章分别解读，分别是：
1）缘起：Deep Image Homography Estimation
2）发展：Toward Geometric Deep SLAM
3）正果：SuperPoint: Self-Supervised Interest Point Detection and Description
这次我们先一起讨论第一篇文章中的内容。
1. 概述
Deep Image Homography Estimation 是通过端到端的方式估计一对图像的单应矩阵。训练数据集是从MS-COCO上选取图
最低0.47元/天 解锁文章
1745
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
