深度学习论文: LightGlue: Local Feature Matching at Light Speed

深度学习论文: LightGlue: Local Feature Matching at Light Speed
LightGlue: Local Feature Matching at Light Speed
PDF: https://arxiv.org/pdf/2306.13643
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

LightGlue通过自适应地应对不同难度的图像对来改进视觉匹配，包括视觉重叠程度、外观变化和辨别信息量。对于易于匹配的图像对，其推理速度更快，类似于人类处理视觉信息的方式。它通过在每个计算块后预测对应关系、让模型自我评估是否需要进一步计算，并在早期阶段丢弃不可匹配的点来优化性能。在如SLAM等典型操作条件下，LightGlue在保持性能的同时带来了显著改进，通过动态调整网络大小而非减少其整体容量。

2 LightGlue

LightGlue 是由一系列（L 个）相同的层堆叠而成，这些层能够共同处理两组数据。每一层包含自注意力和交叉注意力单元，它们用于更新每个点的表示。随后，一个分类器会在每一层判断是否需要停止推理，以减少不必要的计算。最终，通过一个轻量级的头部从表示集合中计算得出一个部分分配。

2-1 Transformer backbone

Attention unit：
注意力单元使用MLP根据从源图像S中聚合的消息mI i ←S来更新状态xI i。消息通过注意力机制计算，是图像S中所有状态j的加权平均值。

Self-attention：
每个点关注同一图像中的所有点。通过不同的线性变换分解当前状态xi为键ki和查询qi，并计算点i和j之间的注意力分数aij，该分数基于点的相对位置编码。位置编码通过旋转矩阵R§捕捉相对位置信息，允许模型检索相对位置的点。

Cross-attention：
图像I中的每个点关注另一张图像S中的所有点。计算键ki但不计算查询，使得注意力分数aIS ij为两键的相似度。由于跨图像的相对位置没有意义，因此不添加位置信息。这种方法节省了计算成本，只需计算一次I ←S和S ←I消息的相似性。

2-2 Correspondence prediction

本文设计了轻量级头部来预测任何层更新后的分配。首先计算点对的相似度矩阵S，并为每个点计算可匹配性分数σi。接着，将相似性和可匹配性分数结合成软部分分配矩阵P，以确定哪些点对形成对应关系。选择满足阈值τ和行/列最大值的点对。
分配矩阵 P：

其中

2-3 Adaptive depth and width

引入两种机制以减少计算和节省推理时间：一是根据图像对难度调整层数；二是提前剔除确信的无效点。LightGlue 在每层结束时推断各点分配的置信度，高置信度表示该点表示可靠，可用于提前输出预测并停止推理。引入的紧凑MLP在最坏情况下仅增加2%的推理时间。

Exit criterion： 对于层ℓ，如果$c_i>{\lambda }_{\ell }$，则点被视为可靠。当可靠点的比例超过α时，停止推理。${\lambda }_{\ell }$逐层递减，基于分类器的验证准确率。$\alpha$控制准确率和推理时间的权衡。

Point pruning： 当不满足退出准则时，丢弃预测为可靠但无法匹配的点，它们对后续匹配无帮助。这减少了计算量，而不影响准确率。

3 Experiments