Structured Epipolar Matcher for Local Feature Matching

要約

タイトル：ローカル特徴のマッチングのための構造化エピポーラマッチャー

要約：
– ローカル特徴のマッチングは、テクスチャレスなどの問題により困難である。
– 既存の方法は、外観特徴とグローバルな相互作用とマッチングに焦点を当てており、ローカル特徴のマッチングにおける幾何学的な先行知識の重要性は完全には利用されていない。
– 本論文では、幾何学的先行情報の重要性に深く踏み込み、反復マッチング方式で幾何学的情報を活用できる構造化エピポーラマッチャー（SEM）を提案する。
– 提案モデルのメリットは、相対的な位置関係と高信頼のアンカーポイントのモデリングが可能な構造化特徴抽出器と、エピポーラ制約を利用して不要な領域をフィルタリングできるエピポーラアテンションとマッチングが挙げられる。
– 標準ベンチマークの5つの実験結果から、提案されたSEMは、最新の手法と比較して優れた性能を示す。プロジェクトページ：https://sem2023.github.io。

要約(オリジナル)

Local feature matching is challenging due to textureless and repetitive patterns. Existing methods focus on using appearance features and global interaction and matching, while the importance of geometry priors in local feature matching has not been fully exploited. Different from these methods, in this paper, we delve into the importance of geometry prior and propose Structured Epipolar Matcher (SEM) for local feature matching, which can leverage the geometric information in an iterative matching way. The proposed model enjoys several merits. First, our proposed Structured Feature Extractor can model the relative positional relationship between pixels and high-confidence anchor points. Second, our proposed Epipolar Attention and Matching can filter out irrelevant areas by utilizing the epipolar constraint. Extensive experimental results on five standard benchmarks demonstrate the superior performance of our SEM compared to state-of-the-art methods. Project page: https://sem2023.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI