简介
SupeGlue与LoFTR都是对图片间进行特征点匹配的方法，其目的是，找到图像A、图像B中同时存在的相同物体实例，并输出其位置信息、匹配关系。
在提取出特征点后，我们通过图神经网络生成匹配代价矩阵，并求解最优匹配矩阵，以获得全局最优的匹配结果。
图神经网络简介
在讨论 GNN 之前，让我们先了解一下什么是 图 (Graph)。在计算机科学中，图是由两个部件组成的一种数据结构： 顶点/节点 (vertices/nodes)和 边 (edges)。一个图 G 可以用它包含的顶点 V 和边 E 的集合来描述。边可以是 有向的或 无向的，这取决于顶点之间是否存在方向依赖关系。
现有的深度学习算法在处理图数据时面临着巨大的挑战。这是因为图数据是非欧式空间数据，复杂性很高，且图是不规则的，每个图可以有大小可变的无序节点，图中的每个节点可以有不同数量的相邻节点，导致一些重要的操作（例如卷积）不再适合直接用于图。此外，现有深度学习算法的一个核心假设是数据样本之间彼此独立。然而，对于图来说，情况并非如此，图中的每个数据样本（节点）都会有边与图中其他实数据样本（节点）相关，这些信息可被用于捕获实例之间的相互依赖关系。
近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构。
SuperGlue模型中主要采用的是基于空间方法的图注意力网络，运用了类似Vision Transformer的方法，只不过样本空间并不是全图像的Patch Embedding，而是提取所得的特征点编码信息（位置+由传统方法或深度卷积方法获得的该像素及其邻域的特征+特征置信度）。 图中的每个数据样本（节点）是特征点的编码信息，每条边是节点两两之间的Attention值，每个节点都有边与其他所有节点连通，构成了一个完全图。我们通过下式计算完全图的边信息。
这是一种类似于数据库检索的特征聚合方式，在图神经网络中也被称为”消息传递”。q表示Query，k表示Key，v表示Value，对于图像对{A, B}，q由A产生，k、v由B产生。对于输入A，我们通过q进行查询，匹配到B的键k，通过Softmax函数计算这种查询与键匹配的相似度，然后与B的真值v相乘。通常这种Attention机制会循环多层，以使匹配达到紧密收敛。需要注意的是，对于每轮循环，我们首先对{A, A}、{B, B}计算Self-Attention，再对{A, B}计算Cross-Attention。
现在我们成功的编码表示了特征点，并计算出特征点间的互相关性。 我们将这两者相加融合，这相当于将完全图中所有的边近似去除，使所有节点之间互相独立，此时我们简单计算节点间的内积（欧氏距离）即可进行后续的匹配流程。
模型介绍
SuperGlue
下图表示了SuperGlue处理一对图像对的主干逻辑。
模型推理阶段
输入：
包含特征点位置信息、特征描述子，可通过手工特征或深度学习提取。
手工：SIFT算法
深度：SuperPoint模型
输出：
2张图的特征点间的最优匹配关系。
设定阈值输出结果。
阈值包括：可作为特征点的置信度阈值、是否输出该匹配的匹配得分阈值。
模型训练阶段：
属于监督训练，无需手工标注，方法是输入1张真实图片，提取特征点，通过随机单应变换生成1张特征点对应的新图片、以及深度图，形成一对图像对。
深度图生成的方法是：使用COLMAP/MVS方法，对一些具有多视角多图的场景进行稀疏-稠密重建，然后对生成图进行深度估计。
原文给出的预训练模型采用Oxford、Paris数据集做单应估计训练（https://github.com/filipradenovic/revisitop）。 分别采用百万级的两个数据集Scannet数据集（室内）、YFCC100M数据集（室外）做姿态估计训练。
模型中的几个具体细节：
流程图如下图所示。
- Keypoint Encoder模块对每个特征点进行编码，将特征描述子 d与位置信息 p合成为一个向量。
- 图像A含有N个特征点，表示为一个N长度序列。图像B含有M个特征点，表示为一个M长度序列。接下来构建 含N+M个节点的完全图，每个节点表示一个特征点，每条边表示两个特征点之间的关系，这种关系是通过Attention机制实现的。这里有两个符合人类认知本质的逻辑： ①人类在找图片A、B相似之处时，首先会从图A中挑选出一些格外显著的点，这对应于在N序列内做Self-Attention操作，对于图像B我们也选出这么一些显著的点。其次，对于图A中的 每个显著点，我们会遍历图B的 所有显著点，检索是否两两相似，这对应于在N序列、M序列间做Cross-Attention。 ②这种Self-Attention + Cross-Attention称为一轮注意力。每轮注意力的结果与本轮初始特征向量的合成方法是 直接相加。考虑人类对图像的注意力感知， 我们并不会在眼球聚焦之后丢弃掉眼前的景象，我们仍可以感光，但是由于眼球聚焦的调节，景象的一些部分被削弱了，导致我们只能用”余光”感受这些部分；而另一些部分被增强了，导致我们可以仔细观察这些部分。所以这种加和操作看似可解释性较差（因为将不同维度的特征相加），实则符合视觉感知的生理逻辑。
- 经过多轮Attention之后，每个特征点有了一个聚合表示。通过对聚合表示两两内积，我们可得N*M尺寸的代价矩阵，这表示了将特征点两两匹配所需付出的代价。如果两个点非常不相似，而我们强行把他们匹配，则会付出很大的代价。
- 基于代价矩阵，我们需要线性规划解算一个最优分配矩阵，其目标是，以最小的全局代价两两匹配图像A与图像B中的特征点，但其计算复杂度随数据量增长而变大。所以我们采用SinkHorn算法，添加熵正则化约束以近似求解。这里需要注意，对于无法越过阈值成功匹配的点，使用额外的垃圾桶空间来存储这些点，为最优化过程添加约束，从而滤除错误点。 SinkHorn算法在保证按需分配的同时，由于熵正则化的作用会使分配矩阵偏向均匀分布，因此结果会有一定的平滑。
- 模型中使用了许多简易的多层感知机，这减少了复杂计算，调节了通道尺寸，并添加了非线性以提高抽象表征能力。
- 损失函数为匹配代价矩阵的负对数似然损失。这相当于优化匹配的准召。
LoFTR
下图表示了LoFTR处理一对图像对的主干逻辑。
LoFTR基于SuperGlue做了诸多改进，最主要的改进是：
- SuperGlue基于 预先提取的部分特征点。而LoFTR则像传统的图像识别方法那样，预先对 全图提取特征，并在将特征送入Transformer前，为每个点添加 位置编码。
- SuperGlue的特征描述子 尺度是不变的，LoFTR先对较大的图像块之间做粗匹配，对于可信配对，再做进一步的精细高分辨率匹配。
相较于SuperGlue，这主要解决了两个关键问题：
模型推理阶段：
输入：
1个图像对。
由CNN逐像素自动提取的多尺度特征+位置编码。
输出：
2张图的特征点间的最优匹配关系。
模型训练阶段：
属于监督训练，无需手工标注，自标注生成方法采用类似SuperGlue的随机单应变换法，生成图像对及深度图。
不同之处在于，在选定标注时，为了避免出现一对多的情况，遵循互最近邻原则；对于粗标签，先由左向右变换，取右侧最近邻点作为右侧gt标签候选，再将该候选点由右向左变换，取左侧最近邻点，如果左侧最近邻点与初始锚点相同，则该左右点对作为一个gt点对。对于细标签，我们将左侧gt粗标签的中心点变换到右侧，取细尺度的最近邻点作为右侧候选点，对于一张变换生成的标签图像，粗标签的中心点必须落在对应生成的最近邻细标签的5*5单元窗口内，否则丢弃该粗标签。
原文给出的预训练模型使用ResNet-18作为backbone特征提取器， 分别采用百万级的两个数据集Scannet数据集（室内）、MegaDepth数据集（室外）做姿态估计训练。
模型流程：
- 局部特征提取网络从图像对{A, B}中提取粗特征图、精特征图。
- 将A, B的粗略特征图分别展平为一维序列，并分别融合位置编码；然后，对两序列计算图注意力（输入Transformer），通过SinkHorn算法或Dual Softmax法，得到粗特征块互匹配得分矩阵。根据置信度阈值、相互邻近标准，得到粗匹配预测。
- 对于粗匹配预测对应的A, B中的位置，我们分别将其对应的细特征图按5*5单元划分为网格图，并序列化，对于每个单元，都将其细特征与网格中心点粗特征融合，得到了每个单元的细特征表示。
- 对于A, B的细特征序列计算图注意力，对于两两配对，我们以A的单元中心点为一个最终特征点坐标，输出B的5*5单元中置信度的坐标。最终，我们选择置信度最高的top_K个匹配输出。
- 损失函数包含两部分：粗匹配互相关得分矩阵的负对数似然损失 + 细匹配坐标L2损失。这相当于优化粗匹配的准召，以及细匹配位置的准确率。
参考文献：
Original: https://blog.csdn.net/weixin_48109360/article/details/121422277
Author: 怎么有情绪啦
Title: 论文研读：SuperGlue vs. LoFTR
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/532934/
转载文章受原作者版权保护。转载请注明原作者出处！