ConDL: Detector-Free Dense Image Matching

在这项工作中，我们介绍了一个专门用于估计密集图像对应关系的深度学习框架。我们的全卷积模型为图像生成密集的特征图，其中每个像素都与一个描述符相关联，可以在多个图像之间进行匹配。与以往的方法不同，我们的模型是在包括重要扭曲（如透视变化、光照变化、阴影和高光等）的合成数据上进行训练的。利用对比学习，我们的特征图对这些扭曲具有更高的不变性，从而实现了强大的匹配。值得注意的是，我们的方法消除了关键点检测器的需求，使其与许多现有的图像匹配技术有所区别。

深度学习框架用于密集图像对应的估计

使用全卷积模型生成密集的特征映射，每个像素都与描述符相关联，可以在多个图像之间进行匹配。通过对比学习，特征映射具有更强的不变性，从而实现了鲁棒匹配。同时，该方法不需要关键点检测器，与许多现有的图像匹配技术不同。

使用合成数据进行训练，包括透视变化、光照变化、阴影和高光等显著扭曲，从而实现对这些扭曲的更大不变性。实验表明，该方法在多个数据集上都取得了良好的性能。

相关研究包括：SIFT、SURF、ORB等传统的特征点检测方法，以及基于深度学习的图像匹配方法，如DeepMatching、SuperPoint、LF-Net等。