Raising the Ceiling: Conflict-Free Local Feature Matching with Dynamic View Switching

当前的特征匹配方法优先考虑提高建模能力，以更好地将输出与理论最优匹配结果（隐喻性地称为“天花板”）对齐。然而，这些改进未能解决直接阻碍理论最优匹配的潜在问题，包括小尺度图像中可匹配点的稀缺性、密集方法中的匹配冲突以及稀疏方法中对关键点可重复性的依赖性。我们提出了一种名为RCM的新型特征匹配方法，从三个方面提高匹配的天花板。1）RCM引入了一种动态视图切换机制，通过策略性地切换图像对来解决源图像中可匹配点的稀缺性。2）RCM提出了一个无冲突的粗匹配模块，通过一对多匹配策略解决目标图像中的匹配冲突。3）通过集成半稀疏范式和粗到精的架构，RCM保留了高效率和全局搜索的优点，减轻了对关键点可重复性的依赖。因此，RCM使得源图像中更多的可匹配点可以在目标图像中以全面、无冲突的方式匹配，导致理论最优匹配结果增加了260%。综合实验表明，与现有最先进的方法相比，RCM表现出了卓越的性能和效率。

RCM论文旨在解决当前特征匹配方法中存在的问题，如小尺度图像中匹配点的稀缺性、密集方法中的匹配冲突以及稀疏方法中对关键点可重复性的依赖性等。

RCM提出了三个方面的新思路：动态视角切换机制、无冲突粗匹配模块和半稀疏范式与粗到细架构相结合。这些新思路使得RCM能够在目标图像中以全面、无冲突、高效的方式匹配更多的源图像匹配点，从而将地面真实匹配数量提高了260%。

RCM方法在实验中表现出了卓越的性能和效率，与现有的最先进方法相比，具有显著的优势。RCM使用了多个数据集进行测试，并在性能和效率方面都取得了很好的结果。此外，RCM的代码已开源。

与RCM相关的研究包括：SIFT、SURF、ORB、SuperPoint、D2-Net等。