HCPM: Hierarchical Candidates Pruning for Efficient Detector-Free Matching

深度学习的图像匹配方法在计算机视觉中发挥着至关重要的作用，但它们通常面临着巨大的计算需求。为了应对这一挑战，我们提出了HCPM，一种高效的、无需检测器的局部特征匹配方法，它采用分层修剪来优化匹配流程。与最近依赖于匹配的粗略级候选集的无检测器方法相比，HCPM 选择性地集中于一个简明的信息候选集，从而减少了计算候选集和提高了匹配效率。该方法包括一个自修剪阶段，用于选择可靠的候选集，以及一个交互式修剪阶段，用于在粗略级别上识别相关的补丁。我们的结果表明，HCPM 在保持高精度的同时显著超越了现有方法的速度。源代码将在发表后公开。

HCPM论文旨在解决计算机视觉中基于深度学习的图像匹配方法计算成本高的问题。

HCPM是一种高效的无检测器局部特征匹配方法，采用分层修剪来优化匹配流程，相比现有方法，它能够更快速地找到有效的匹配点。

HCPM通过自修剪阶段和交互修剪阶段来选择可靠的匹配点，同时还能够在保证高精度的前提下提高匹配效率。论文实验表明，HCPM在速度和准确度方面都优于现有方法，且将开源代码。

近期相关研究包括：Detector-free的图像匹配方法，如D2-Net和SuperGlue；基于深度学习的图像匹配方法，如SIFT Flow和DeepMatch。