ECCV2020(Oral)
《Online Invariance Selection for Local Feature Descriptors》
局部特征描述符的在线不变性选择 自适应特征描述符，表现SOTA！性能优于SIFT、R2D2和D2-Net等描述符，代码已经开源！
作者团队：苏黎世联邦理工学院（Marc Pollefeys团队）&微软
变或不变：这是本文中关于局部描述符的问题。当前特征描述符的局限性在于泛化能力和判别能力之间的权衡：不变性越大，信息描述符越少。我们提出通过分解局部描述符中的不变性并在给定上下文的情况下在线选择最合适的不变性来克服此限制。我们的框架包括联合学习具有不同程度不变性的多个局部描述符和编码图像区域变化的元描述符。当匹配局部描述符时，这些元描述符在图像之间的相似性用于选择正确的不变性。我们的方法称为“运行时描述符的局部不变性选择（LISRD）”，它使描述符能够适应图像中的不利变化，同时在不需要不变性时仍具有区分性。我们证明，当在具有昼夜照明和视点变化的具有挑战性的数据集上进行评估时，我们的方法可以在多个匹配任务中提高当前描述符的性能，并且胜过最新的特征描述符。