这就导致了模型高度专用于训练领域 。用基域研究社区又提出了新颖的础模可学习图像匹配器
，社区应该专注于开发架构改进
，导特定 就像其他一些视觉任务一样 。征传传统的播首域无关技术（如 SIFT）仍被广泛用于获取下游应用的姿态
 。大多数局部特征匹配研究都集中在具有丰富训练数据的个泛e搞特定视觉领域（如室外和室内场景），

近日
，化型但这些进展忽略了一个重要方面 ：图像匹配模型的图像泛化能力 。在与域无关的匹配局部特征基础上，

因此，见过首个泛化型图像匹配器OmniGlue搞定未见过域 2024年05月25日 13:42 机器之心Pro 新浪财经APP 缩小字体 放大字体 收藏 微博 微信 分享 腾讯QQ QQ空间

第一个以「泛化」能力为核心设计原则的用基域可学习图像匹配器来了 
！因此 ，础模受上述观察的导特定启发 ，用基础模型指导特征传播 ，征传在传统基准上实现了性能的播首不断改进。

对于想要获取两张图像之间的细粒度视觉对应关系而言，在每个图像域都有丰富的训练数据是不现实的 ，在某些情况下甚至可能并不比传统方法好很多。使得可学习的匹配方法具有泛化能力。过去十年见证了从手工制作到基于学习的图像特征的演变 。这些方法的性能在域外数据（如以对象为中心或空中捕获）上通常急剧下降  ，

尽管已经取得了长足的进步，

最近
，德克萨斯大学奥斯汀分校和谷歌研究院的研究者联合提出了 OmniGlue ，这是第一个以泛化为核心原则设计的可学习图像匹配器。他们引入了用于提高匹配层泛化性能的新技术 ：基础模型指导和关键点位置注意力指导
。局部图像特征匹配技术是高不错的 xuanz ，

如今，对于实现准确的相机姿态估计和 3D 重建至关重要。遗憾的是，并且由于收集高质量注释的成本很高，