第4名方案（简要总结）

感谢主办方组织了这场有趣的比赛！我们团队的所有成员都来自土木工程专业，在比赛前几乎没有图像匹配的相关知识，因此从零开始对我们来说既充满挑战又非常有趣。比赛主办方提供了宝贵的学习资料（问题定义、对应关系过滤和学习匹配论文），让我们这些初学者能够快速上手。能获得第四名真是让我们喜出望外。😄

总结

我们的方法完全基于预训练模型，且未对这些模型进行任何微调。由于计算资源不足，我们一开始便专注于现有方法的集成策略。

我们的工作参考了以下Notebook（衷心感谢论文和Notebook的作者！）

• LoFTR: https://www.kaggle.com/code/cbeaud/imc-2022-kornia-score-0-725/notebook
• QuadTree: https://www.kaggle.com/code/dschettler8845/quadtree-image-matching-challenge-2022
• DKM: https://www.kaggle.com/code/radac98/public-baseline-dkm-0-667
• SuperGlue: https://www.kaggle.com/code/losveria/superglue-baseline/notebook

我们合并了不同方法获得的所有匹配关键点，并使用MAGSAC计算基础矩阵。过程大致如下：

1. 提取多尺度图像的匹配关键点
   将图像对调整为不同尺度并应用匹配方法。
2. 重缩放关键点
   将关键点的坐标重新缩放到原图像中的位置。
3. 合并所有关键点
4. 计算基础矩阵

由于SuperGlue有严格的许可限制，不允许用于赢取奖金，但允许在比赛中用于获得更好的排名，因此在进入前五名后，我们采取了两种路线：

1. 集成 LoFTR, SuperGlue 和 DKM
   最佳私有分数：0.853（未被选为最终提交）
   https://www.kaggle.com/gufanmingmie/imc-2022-final-ensemble

2. 集成 LoFTR, QuadTree 和 DKM（排除 SuperGlue）
   最佳私有分数：0.843

最终选为提交的最佳私有分数：0.852，集成方案为 LoFTR, QuadTree, SuperGlue 和 DKM。