基于重复性和特异性约束的图像特征匹配

摘要：

图像特征匹配通过比较一对像素在特征空间的距离确定其是否可匹配,如何学习鲁棒的像素特征是基于深度学习的图像特征匹配要解决的关键问题之一,另外,像素特征表示的学习也受到源图像质量的影响.针对学习更鲁棒的像素特征表示的问题,对图像特征匹配网络 LoFTR 进行改进.针对粗粒度特征重构分支,定义特异性约束使得同一幅图像内像素的特征距离尽可能远,使不同像素间具有强区分性;定义重复性约束使得不同图像的匹配点对的特征距离尽可能近,使不同图像间的匹配像素点具有强相似性,以增强匹配的准确性.在 Backbone 的解码阶段增加图像重建层,定义图像重建损失约束编码器学习更鲁棒的特征表示.在室内数据集ScanNet与室外数据集MegaDepth上的实验结果证明了本文方法的有效性,构建了不同质量图像数据并验证了方法能够更好地适应不同质量图像的特征匹配.

关键词：深度学习、图像特征匹配、重复性、特异性、图像重建损失

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：739-746