8、尺度空间SIFT流：解决图像大尺度差异匹配问题

尺度空间SIFT流：解决图像大尺度差异匹配问题

1. 引言

密集图像特征的发明显著提升了图像匹配算法的性能，在场景解析、图像/视频检索、运动估计和深度估计等众多计算机视觉应用中得到广泛应用。与使用稀疏特征的方法相比，密集特征能更好地保留内在不确定性，有助于后续做出更可靠的决策。

SIFT流算法在图像匹配和配准任务中应用广泛，尤其适用于处理相似场景但物体配置不同的图像对。然而，SIFT流方法以固定尺度计算密集SIFT特征，这限制了其处理大尺度变化场景的能力。为解决这一问题，提出了一种简单、直观且有效的方法——尺度空间SIFT流（Scale-Space SIFT Flow）。

1.1 相关背景

• 稀疏特征 ：如SIFT点和Harris角点，能在一定程度上自动确定特征尺度，适用于匹配图像中的相同物体，但在更一般的语义图像对齐任务中难以提供可靠结果。
• 密集特征 ：现有方法大多以固定尺度计算特征。例如，SIFT流使用密集SIFT（DSIFT）描述符，通过最小化匹配成本并保持流场平滑来对齐两幅图像。但由于DSIFT特征仅在一个尺度上计算，要求两幅图像中的物体具有相同或相似的尺度，因此在处理大尺度变化的图像时存在问题。
• Scale-Less SIFT（SLS） ：为克服SIFT流的局限性，提出了SLS方法。该方法在匹配时为每个像素提取多尺度的DSIFT特征集，并使用集合到集合的距离来衡量对应像素之间的匹配成本。然而，SLS计算成本高，对于标准尺寸的图像，运行一次匹配需要消耗超过10G的内存，且耗时数