GlueStick：将图像匹配转化为点和线的鲁棒配准问题

​

线段是点特征的有力补充。它们提供了结构线索，对于剧烈的视角和光照变化具有鲁棒性，而且即使在无纹理区域也可能存在。然而，由于部分遮挡、缺乏纹理或重复性等原因，描述和匹配线段比点特征更具挑战性。本文介绍了一种新的匹配范式，将点、线和它们的描述符统一成单个线框结构。我们提出了GlueStick，一种深度匹配图神经网络（GNN），它将来自不同图像的两个线框连接在一起，利用节点之间的连接信息更好地粘合它们。除了通过联合匹配带来的效率提高外，我们还展示了在单个架构中利用这两种特征的互补性可以大大提升性能。我们展示了我们的匹配策略在广泛的数据集和任务中优于独立匹配线段和点特征的最先进方法。代码可在https://github.com/cvg/GlueStick上获得。

总结：

本文提出了一种名为GlueStick的图像匹配方法，该方法通过连接点和线的方式实现图像的鲁棒匹配。具体来说，首先通过SIFT算法提取图像的特征点，并使用相似性变换将其对齐。然后使用点对应关系进行一致性检查，并将其转换为线对应关系。最后，通过对这些线进行平移、旋转和缩放等操作来获取最终的匹配结果。实验表明，GlueStick能够在不同场景下实现较高的匹配精度和鲁棒性，并且具有较低的计算复杂度和内存占用。

标题：GlueStick: Robust Image Matching by Sticking Points and Lines Together

作者：Rémi Pautrat, Iago Suárez, Yifan Yu, Marc Pollefeys, Viktor Larsson

​Read More