第11名方案 (Public: 0.847 / Private: 0.845)

首先，非常感谢主办方举办这次比赛。这次比赛非常有教育意义，主办方提供了大量资源，对比赛问题的回答也非常清晰和迅速。另外，我不能轻描淡写地说，非常感谢你们在乌克兰这个极其困难的时期还能举办这次比赛。我真诚地希望乌克兰能尽快恢复和平。

[概述]

我的方法与其他解决方案类似。简而言之：QuadTreeAttention LoFTR + Magic Leap 的 SuperPoint/SuperGlue，结合多尺度 TTA 和 fp16。这两个模型都是预训练模型，没有使用训练数据集进行微调或从头开始训练。

在尝试了各种预训练模型后，我选择了 QuadTreeAttention LoFTR 和 MagicLeap 的 SuperPoint+SuperGlue 作为我的最终提交模型。在这两个模型的集成中，我对每个模型都应用了多尺度 TTA。（LoFTR 和 DKM 也是候选模型，因为它们表现出良好的准确性，但为了创建一个简单的解决方案，我决定不使用 DKM，并在一次最终提交中排除了 LoFTR。不过，现在我觉得我应该将 DKM 纳入最终提交以提高最终性能。）

对于 QuadTreeAttention LoFTR，长边的调整参数设置为 832、1024、1152，对于 SuperGlue 设置为 840、1200、1400。当增加 QuadTreeAttention LoFTR 的图像尺寸时，输出匹配点的数量也会随图像尺寸成比例增加，并与原始图像尺寸（即 800）的数量变得不平衡，因此我调整了置信度阈值以抑制每个图像尺度的输出匹配点。对于 832、1024、1152 的图像尺寸，置信度参数分别设置为 0.20、0.40、0.50。

各模型的得分如下：

此外，在为 QuadTreeAttention LoFTR 调整图像大小时，图像的纵横比保持不变，宽度/高度调整为可通过零填充被 64 整除。使用这些图像输出匹配点时，推理出的匹配点坐标可能会超出原始图像尺寸，因此我通过简单的后处理移除了越界点。

为了减少 GPU 显存消耗，我还对每个模型使用了 torch.cuda.amp.autocast()，并将模型参数转换为 fp16。QuadTreeAttention 代码内部使用 CUDA C++ 模块，因此在将变量传递给 CUDA C++ 模块之前，我将变量转换为 fp32，在从 CUDA C++ 模块接收变量后，我又将这些变量重新转换为 fp16。

[训练与否]

当我第一次查看数据集时，训练数据看起来像 PhotoTourism 数据集，测试数据看起来像 GoogleUrban 数据集，所以我思考了如何填补训练数据和测试数据之间的差距。

然而，在 @ammarali32 发布了 LoFTR 0.721 的内核之后（这是一个很棒的内核，非常感谢），我认为仅使用 MegaDepth 预训练模型似乎就足以应对这次比赛，因此决定集中精力寻找优秀的预训练模型，而不是训练/微调某些模型。此外，我没有足够的时间和 GPU 机器来创建强大的图像匹配模型，所以我不得不放弃训练。如果有足够的资源来训练模型，我想尝试 PosFeat (CVPR2022) 等。

[处理 MAGSAC++ 计算的时间成本]

正如 VSAC 论文表 4 中所述，MAGSAC++ 的最坏计算时间大于其他 RANSAC 变体，并且对 9 小时的推理时间限制产生了不利影响，因此我尝试了各种可以替代 MAGSAC++ 的其他 RANSAC 变体。