AAAI2024最佳解读|Discrete Cycle-Consistency Based Unsupervised Deep Graph Matching-water-merged

论文标题

Discrete Cycle-Consistency Based Unsupervised Deep Graph Matching 基于离散循环一致性的无监督深度图匹配

论文链接

Discrete Cycle-Consistency Based Unsupervised Deep Graph Matching论文下载

论文作者

Siddharth Tourani, Muhammad Haris Khan, Carsten Rother, Bogdan Savchynskyy

内容简介

本文提出了一种新的无监督深度图匹配方法，专注于图像中的关键点匹配。与传统的监督学习方法不同，该方法不依赖于真实的关键点对应关系，而是通过强制执行同一物体类别图像之间的匹配一致性来进行自监督学习。由于匹配和一致性损失是离散的，传统的导数方法无法直接应用于学习。为了解决这一问题，本文基于组合求解器的黑盒微分技术，构建了一个灵活的框架，能够与任意网络架构和组合求解器兼容。实验结果表明，该方法在无监督深度图匹配领域设定了新的最先进水平。

分点关键点

1. 无监督深度图匹配方法

   • 本文提出的无监督方法利用循环一致性约束作为监督信号，通过多幅图像的成对对应关系迭代更新匹配成本，以提高对应关系的一致性。这种方法避免了获取真实对应关系的高成本。

2. 黑盒微分技术

   • 该方法采用了黑盒微分技术，解决了组合求解器在神经网络中应用时的可微性问题。通过对组合求解器的输入进行扰动，能够有效地计算梯度，从而实现基于梯度的优化。

3. 循环一致性损失

   • 循环一致性损失是本文的核心组成部分，专注于三元组的匹配。该损失函数通过惩罚不一致的匹配配置，确保匹配的循环一致性，从而提高匹配的准确性。

4. 实验评估与结果

   • 通过与多种网络架构和组合求解器的实验，本文展示了框架的灵活性和有效性。实验结果表明，该方法在无监督图匹配任务中达到了新的最佳性能，超越了现有的技术。

论文代码

代码链接：https://github.com/skt9/clum-semantic-correspondence

中文关键词

1. 无监督深度图匹配
2. 循环一致性
3. 关键点匹配
4. 黑盒微分
5. 组合求解器
6. 自监督学习

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！