495. Image Matching Challenge 2022 | image-matching-challenge-2022
大家好！首先，我要感谢主办方举办了如此精彩的比赛，也感谢所有参赛者让这场比赛变得极具竞争力。现在是时候分享解决方案了，这是我们的方案。
集成 LoFTR、SuperGlue、DKM 和 ASLFeat，配合调整尺寸校准和为每个模型设置适当的特征点数量。
设置：基线 LoFTR，10万次迭代。
| 方法 | 阈值 | Public LB |
|---|---|---|
| MAGSAC | 0.2 | 0.726 |
| DEGENSAC | 0.5 | 0.713 |
| DEGENSAC | 0.2 | 0.684 |
| DEGENSAC | 1.0 | 0.705 |
| GC-RANSAC | 0.2 | 0.671 |
| MAGSAC & DEGENSAC & GC-RANSAC | 0.25, 1.0, 1.0 | 0.725 |
| MAGSAC & DEGENSAC & GC-RANSAC | 0.25, 3.0, 3.0 | 0.727 (但太慢) |
| MAGSAC & DEGENSAC & GC-RANSAC | 0.25, 0.5, 0.5 | 0.720 |
图像尺寸对 LoFTR 至关重要。这里是证明。
设置：基线 LoFTR
| 方法 | Public LB |
|---|---|
| 640, 480 | 0.533 |
| 840 最长边 | 0.726 |
| 校准图像尺寸，使两边都能被8整除 | 0.755 |
我们尝试了不同模型的一堆不同参数。只有一个奏效了。将 LoFTR 中的 border_rm 参数从 4 切换到 1 会生成更多特征点，并带来 0.006 的提升。
1) 从所有模型获取特征点。
2) 将它们拼接起来。
3) 运行 RANSAC 算法。
我们也尝试过在多次 RANS