用基域 使得可学习的础模匹配方法具有泛化能力
。他们引入了用于提高匹配层泛化性能的导特定 新技术：基础模型指导和关键点位置注意力指导  。德克萨斯大学奥斯汀分校和谷歌研究院的征传研究者联合提出了 OmniGlue ，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播首可学习图像匹配器来了
！传统的个泛e搞域无关技术（如 SIFT）仍被广泛用于获取下游应用的姿态 
。在与域无关的化型局部特征基础上 ，过去十年见证了从手工制作到基于学习的图像图像特征的演变 。在某些情况下甚至可能并不比传统方法好很多  。匹配

因此，见过尽管已经取得了长足的用基域进步，

近日，础模受上述观察的导特定启发
，局部图像特征匹配技术是征传高不错的 xuanz，用基础模型指导特征传播 ，播首社区应该专注于开发架构改进 ，就像其他一些视觉任务一样。大多数局部特征匹配研究都集中在具有丰富训练数据的特定视觉领域（如室外和室内场景） ，因此
，并且由于收集高质量注释的成本很高 ，这就导致了模型高度专用于训练领域 。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，这是第一个以泛化为核心原则设计的可学习图像匹配器
。研究社区又提出了新颖的可学习图像匹配器，

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 ，

最近，但这些进展忽略了一个重要方面：图像匹配模型的泛化能力。

如今，对于实现准确的相机姿态估计和 3D 重建至关重要 。在传统基准上实现了性能的不断改进。遗憾的是 ，