木独的博客

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

UnSuperPoint:End-to-End Unsupervised Interest Point Detector And Descriptor 论文解读简介特征点的语义信息并不明确难以用人工标注特征点位置的方法得到一个巨大的数据集，是深度学习方法用在特征点提取上的最大问题。之前工作：TILDE 用类似于sift的特征点作为真实值Quad-network 基于图片单应变换结果训练，但输入为单个patchLIFT，LF-Net 利用SfM中的特征点作为真实值SuperPoint 利用模拟

SuperPoint：Self-Supervised Interest Point Detection and Description 论文阅读简介监督学习从图像中提取点的方法被广泛研究物体检测人体关节位置检测等等特征点的语义信息不明确，难以进行人工标注，如何进行网络训练？文中的思路为自动标注得到伪真实值生成特征点位置无歧义的虚拟数据集训练得到特征提取网络MagicPoint对图片进行旋转、缩放等变换并利用MagicPoint进行提取，集合所有提取得到的特征点位置作为伪真

LIFT: Learned Invariant Feature Transform论文概述创新点使用统一的模型进行端到端的有监督训练利用了传统特征提取的先验知识方法训练过程* 分阶段训练 * 利用SfM中sift的位置和角度，训练描述符网络 * 利用SfM中sift的位置，和训练好的描述符网络，训练旋转估计网络 * 利用已经训练好的旋转估计和描述符网络训练特征点提取网络* 损失函数 * 同一个3d点的角度尽可能近 * 匹配点描述符距离尽可能近，非匹配点尽