第10名方案（简要总结）

首先，我要感谢 Kaggle 工作人员和组织者组织了这场非常实用且具有挑战性的比赛。
我们的团队在私人排行榜上排名第 10。

概览

解决方案总结如下。

关键点

• 使用 DKM-ROI 进行集成
• 实现更快、更好的估计
• 异常值处理
• 信任 CV（交叉验证）

使用 DKM-ROI 进行集成

DKM 在我们的实验中表现出稳健的趋势。它几乎总能找到很多对应点，但与另一种算法相比，其峰值性能有所不足。

基于这种趋势，我们将 DKM 视为“平均击球手”。并在后续步骤中利用它制作裁剪图像作为 ROI（感兴趣区域）。

1. 使用 DKM 进行推理，并使用 Otsu 方法计算置信度阈值
2. 使用计算出的阈值过滤对应点
3. 利用过滤后的对应点制作边界框
4. 从边界框区域裁剪图像
5. 与 LoFTR、SE2-LoFTR 和 SuperGlue 进行集成

DKM-ROI 提取 ROI 的样本结果如下所示：

图 1：DKM 确认的点的置信度图

图 2：通过 Otsu 方法对置信度图进行二值化的结果

图 3：原图上对应点的边界框

基本上，与 DKM-ROI 的集成效果很好。它让寻找关键点变得更容易。但有时它会遗漏重要区域。针对此问题的一个简单对策是，我们的方案不仅与 DKM-ROI 集成，还使用 LoFTR 对原始图像进行推理并将其加入集成。

实现更快、更好的估计

与往常一样，本次比赛的重点之一是以某种方式增加推理时间。我们方案的典型思路如下：

• 流水线处理：
  • 我们将整体流程优化为多线程实现。它可以描述为三个组件：1. 预处理（如加载图像），2. 推理（如匹配器），3. 后处理（如 RANSAC）。我们的方案运行多线程来并行处理这些任务。特别是对于本次比赛中的任务，流水线非常有效，因为 GPU 处理和 CPU 处理承载着不同的进程。
• 关键点 NMS (非极大值抑制)：
  • 检测到的关键点通常是有噪声且冗余的。这会增加计算时间。为了避免这个问题，我们对关键点使用了 NMS 算法，名为 SSC (Suppression via Square Covering，方形覆盖抑制)。SSC 可以在保持精度的同时减少处理时间。
• 加权随机采样：
  • 出于同样的原因，我们试图以一种能够保持估计精度的方式减少输入到 RANSAC 的关键点数量。作为一种方法，我们将 DKM 中使用的加权随机采样算法应用于关键点集成结果。

异常值处理

本次比赛的输入图像预期非常多样化。

在困难的情况下，例如无纹理、距离较远和视角非常不同，简单集成的效果有限，因为几乎找不到对应点。因此，针对这些应被称为异常值的图像对，采取了以下措施。

• 异常情况 1： 当找到的对应点数量