图像匹配挑战赛#
Image Matching Challenge 2024 - Hexathlon
该项比赛旨在利用计算机视觉技术，匹配不同视角下的同一个场景，从而恢复每张图像拍摄时的相机内外参矩阵。今年的比赛中主要对象有室外场景和透明弱纹理物体，这里主要关注室外场景的匹配策略，来总结一下前几名的思路。
第一名：High Image Resolution ALIKED/LightGlue + Transparent Trick#
总的来说，先通过一次稀疏的匹配，将部分旋转过的图像摆正，再将图像使用 ALIKED 和 LightGlue 进行匹配，并使用 DBSCAN 获取密集的匹配区域，并再一次进行密集匹配，将匹配点输入 COLMAP 进行位姿计算。第一名完全没有使用 Dense-base 的方法，他们认为这种方法获得的匹配点通常只在两张图之间，不具备传递性，会导致模型计算错误。
亮点：#
- 根据图像稀疏匹配确定待匹配对
- 微调过的 ALIKED 和 LightGlue
- 一些运行效率上的优化，如缓存、分布式训练
- 多尺度下的特征点匹配，在 1280 分辨率下匹配一次后，通过 DBSCAN 聚类获取匹配密集区域，剪裁图像后，在 2048 分辨率下再进行一次匹配，以获取更精细的匹配
第二名：MST-Aided SfM & Transparent Scene Solution#
- 对图像进行了旋转检测和透明度检测，为了后面分别处理透明图像和非透明图像（大部分方法都将这两种图像分开处理）；
- 对所有图像进行了全局特征提取，以生成更可靠的图像匹配对；
- 根据图像匹配对，使用了 **(Dedodev2+Dual SoftMax)、(DISK+LightGlue)、 (SIFT+NN)** 三种方法获取匹配点；
- 使用了一种基于最小生成树的策略获取各图像全局最优的相邻图，用于第一个粗略的 SFM；
- 同时使用全局最优的相邻图和全连接图进行 SFM，获得两个 SFM 结果，用粗略的 SFM 结果来过滤精细 SFM 结果中错误的部分，再使用 PixSFM 和 HLoc 中重定位模块来处理缺失的相机。
- 透明图像处理不做赘述。
亮点：#
- 主要在使用 MST 获取全局最优图以及使用粗略的 SFM 结果来过滤精细 SFM 结果中错误的部分