【CVPR2020】SuperGlue:Learning Feature Matching with Graph Neural Networks

最新推荐文章于 2025-04-14 09:30:00 发布

原创

最新推荐文章于 2025-04-14 09:30:00 发布 · 1.3k 阅读

20 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #图像处理 #算法 #python #人工智能 #深度学习 #cnn

SuperGlue:Learning Feature Matching with Graph Neural Networks

论文链接：SuperGlue: Learning Feature Matching With Graph Neural Networks (thecvf.com)

代码：magicleap/SuperGluePretrainedNetwork: SuperGlue: Learning Feature Matching with Graph Neural Networks (CVPR 2020, Oral) (github.com)

Abstract

This paper introduces SuperGlue, a neural network that matches two sets of local features by jointly finding correspondences and rejecting non-matchable points. Assignments are estimated by solving a d

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Prettybritany

关注关注

23
点赞
踩
20

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

SuperGlue Learning Feature Matching with Graph Neural Networks

微信号：Custom-Software

06-30

2424

SuperGlue：使用图神经网络学习特征匹配摘要本文介绍了 SuperGlue，一种神经网络，通过联合寻找对应关系并拒绝不可匹配的点来匹配两组局部特征。分配是通过求解一个可微的最优值来估计的运输问题，其成本由图形预测神经网络。我们引入了灵活的上下文聚合基于注意力的机制，使 SuperGlue 能够推理底层 3D 场景和特征分配共同。与传统的、手工设计的启发式方法相比，我们的技术通过端到端学习了几何变换和 3D 世界的规律性的先验从图像对训练。 SuperGlue 优于其他学习方法并取得最先进的

SuperGlue: Learning Feature Matching with Graph Neural Networks

Gloamirror的博客

10-26

731

整体而言，第5部分的实验结果证明了SuperGlue在各种应用场景和条件下都有出色的性能，特别是与SIFT和SuperPoint结合使用时，其性能显著超越了其他现有的方法。这部分主要描述了SuperGlue模型的实现细节，包括其与其他特征检测器的结合方式、使用的视觉描述子、模型中的注意力机制、模型实现和训练的具体细节。：训练时，SuperPoint的检测和描述过程是即时完成的。：与传统的匹配启发式方法相比，SuperGlue提供了一个强大的神经模型，将所有启发式和后处理整合到一个统一的架构中。

1 条评论您还未登录，请先登录后发表或查看评论

SuperGlue: Learning Feature Matching with Graph Neural Networks 2020

u010260681的博客

04-19

1064

整体介绍：核心思想：使用图的思想，融入邻域以及特征点的位置信息解决2d-2d匹配问题整体pipeline：解释说明：整个pipeline输入的是两张图，首先进行特征提取，然后经过gnn网络输出两张图特征点之间的匹配关系细节：整个网络主要分为三部分，分别是：特征提取 -> attentional gnn（其实就是自卷机+交叉卷机）-> optimal layer（目的是为了得到1-1的match） 1>特征提取特征提取部分可...

SuperGlue:Learning Feature Matching with Graph Neural Networks 解读与实验

热门推荐

小明的专栏

07-04

1万+

SuperGlue:Learning Feature Matching with Graph Neural Networks说明摘要相关工作局部特征匹配图匹配深度点云匹配框架（The SuperGlue Architecture)MotivationFormulationPartial AssignmentAttentional Graph Neural NetworkKeypoint EncoderMultiplex Graph Neural NetworkAttentional AggregationO

论文解读：SuperGlue: Learning Feature Matching with Graph Neural Networks

a486259的博客

06-10

7231

1、将两个图之间的特征点匹配问题松弛为两个特征点图的最优传输问题，可以快速的处理遮挡点、不可重复点的问题； 2、以图像对的形式进行端到端的训练，预先在大型数据集学习姿态估计的先验，使其能推理三维场景； 3、将自然先验应用到模型结构设计中（可以见章节三），设计了点最多是一对一、有些点缺少匹配点； 4、将特征点之间的关系定义为内点（一个图像内）和外点（两个图像间），分别使用self-attention和cross-attenion提前特征； 5、使用神经网络预测两个图之间的传输成本，然后使用辛克霍恩迭代来计算两

SuperGlue：Learning Feature Matching with Graph Neural Networks论文阅读

人无远虑，必有近忧

08-19

3321

ETHZ ASL与Magicleap联名之作，CVPR 2020 Oral（论文见文末），一作是来自ETHZ的实习生，二作是当年CVPR2018 SuperPoint的作者Daniel DeTone。Sarlin小伙之前在MagicLeap实习，在ETHZ（苏黎世联邦理工） ASL 完成硕士，目前在 ETHZ CVG就读博士，不是TUM（慕尼黑工业大学）的CVG。

SuperGlue: Learning Feature Matching with Graph Neural Networks跑通及训练模型的过程

zenglongjian的博客

03-29

799

SuperGlue: Learning Feature Matching with Graph Neural Networks跑通及训练模型的过程

【CVPR20‘论文阅读】SuperGlue: Learning feature matching with graph neural networks

价值知识传播者

01-18

577

与传统的手动设计的启发式方法相比，我们的技术通过对图像对进行端到端的训练，学习了几何变换和三维世界规律的先验知识。第一个组件使用关键点编码器将关键点位置p和它们的视觉描述符d映射到单个向量，然后使用交替的自注意和交叉注意层（重复L次）创建更强大的表示f。我们的方法从现成的局部特征建立了点对应关系：它充当了手工设计或学习的前端和后端之间的中间层。对于这两个具有挑战性的室内图像对，使用SuperGlue进行匹配会产生准确的姿势，而其他学习或手工设计的方法失败了（通过对极误差着色的对应关系）。

[论文解读]SuperGlue: Learning Feature Matching with Graph Neural Networks

qq_17732497的博客

04-24

5976

SuperGlue: Learning Feature Matching with Graph Neural Networks 个人感受：这个是继SuperPoint 后该组又一次推进，感觉效果更加强了，如果superpoint只是在尝试学习传统方法的流程，LFNet end-to-end training就在benchmark上超越了SIFT，近来CVPR19的D2Net 就直接跳出了传统方法...

《论文阅读27》SuperGlue: Learning Feature Matching with Graph Neural Networks

darren_pty

09-27

1556

Attention [61，64，62，26]可以通过关注特定的元素和属性来执行全局和数据相关的局部聚合，因此更加灵活。通过观察到自我注意力可以被视为完整图上的消息传递图神经网络[23，4]的实例，我们将注意力应用于具有多种类型边缘的图，类似于[28，72]，并使SuperGlue能够学习关于两组局部特征的复杂推理。动机：在图像匹配问题中，可以利用世界的一些规律：3D世界在很大程度上是平滑的，有时是平面的，如果场景是静态的，则给定图像对的所有对应关系都从单个对极变换导出，并且一些姿势比其他姿势更可能。

SuperGluePretrainedNetwork：SuperGlue：与图神经网络匹配的学习功能（CVPR 2020，口腔）

02-05

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。有关更多详细信息，请参见：全文：PDF：。作者： Pa

论文阅读笔记《SuperGlue:Learning Feature Matching with Graph Neural Networks》

深视

08-25

3418

核心思想本文提出一种基于图神经网络的特征点匹配方法，把图像中的特征点看作图的节点，通过注意力机制聚合特征信息，得到用于匹配的特征向量。然后把匹配问题看作一个可微的最优运输问题（differentiable optimal transport problem），利用Sinkhorn Algorithm算法进行求解。整个算法的处理流程如下图所示首先，输入是两幅图像中特征点的位置坐标piAp_i^ApiA和piBp_i^BpiB，以及特征点对应的特征描述向量diAd_i^AdiA和diBd_i

SuperGlue: Learning Feature Matching with Graph Neural Networks—使用图神经网络学习特征匹配初步阅读学习

xiaoxu的博客

01-19

1448

SuperGlue是一个神经网络，它的作用是通过联合地寻找匹配点和排除无法匹配的点，来匹配两组局部特征这个地方实际上是特征匹配任务和SLAM任务中常用的一个部分。考虑的是做方法的迁移。它通过解一个可微的最优运输问题来估计运输成本，其成本由图神经网络来预测和匈牙利算法这种二部图匹配的问题是很类似的一种问题。SuperGlue引入了一种基于注意力机制的灵活上下文聚合方法，使其能够同时考虑3D场景的结构和特征分配。

SuperGlue: Learning Feature Matching with Graph Neural Networks 论文解析

木独的博客

01-18

3841

SuperGlue: Learning Feature Matching with Graph Neural Networks 论文解析简介出发点快速最临近邻搜索（FLANN）算法常常被用于匹配得到最近邻特征点，从而得到图片A和图片B中的特征点的匹配对。但是本文认为，特征点的提取与描述采用复杂的深度学习算法后不再是限制因素，而Naive的匹配方法才是限制其性能的关键点。因此本文在SuperPoint的基础上提出了一种匹配算法，取得了匹配性能的极大改进。相关工作经典的局部特征匹配流程提取特

论文阅读《SuperGlue: Learning Feature Matching with Graph Neural Networks》

薛定谔的猫头咕咕咕

03-25

5241

论文地址：https://arxiv.org/abs/1911.11763 代码地址：https://github.com/magicleap/SuperGluePretrainedNetwork 背景 SuperGlue是一个特征匹配与外点剔除的网络，它将特征匹配问题等价于求解可微分最优化转移问题，再使用GNN来构建损失函数；受到Transformer的启发，作者提出了一个自注意力机制与交叉注意力机制来抽取同一幅图内特征点间的融合信息与两幅图之间的特征点的视觉关联信息，该模型的输入为图像对的特征点与描述

TIP 2025 | 基于可匹配关键点辅助的图神经网络学习特征匹配