第13名解决方案概述

首先，我要向比赛组织者和Kaggle工作人员表达我的谢意。通过这次比赛我学到了很多。

我们的基本策略是使用基于IMC2023 第六名方法的旋转抵抗模型，并采用多模型方法结合Alike‑LightGlue。此外，我们根据不同场景进行了若干调整。

针对透明物体的措施

1. 裁剪图像中心区域

我们的队友 @sugupoko 发现，仅使用图像的中心部分可以提高透明物体的精度。该方法基于透明物体不会从中心移开的假设。因此，我们在本地测试中圆柱体的得分超过了0.2。此外，通过将相机模型设置为单相机，我们的圆柱体得分达到了 0.463。

2. 去除像素坐标相近的关键点

我们观察到圆柱体对反光过于敏感，由于图像变化很小，容易匹配错误的关键点。因此，在完成匹配后，我们删除了 x 和 y 坐标差都在 5 像素以内的关键点，因为这些很可能是错误的关键点。

针对教堂（对称与重复）的措施

教堂的挑战在于区分正面和背面，导致相机聚焦于正面。

为了捕捉超出时钟的细节，我们实现了一种将图像划分为四个区域来检测关键点的方法。最终，通过模型集成并将相机模型设置为简单针孔模型，我们在训练数据上获得了 0.3561 的分数。（注：我们的最终提交对所有场景使用了简单径向模型。）然而，这仍未解决区分正面和背面的难题。

我们尝试但未成功的方案

• 我曾对端到端匹配模型寄予厚望。然而，由于推理时间的限制，我未能将 RoMA 和 OmniGlue 纳入最终提交，且 Xfeat 在本地也没有获得高分。
• 与 IMC2023 类似，我实现了一种基于匹配点来确定并裁剪感兴趣区域（RoI）的方法，但这导致我们的分数下降。
• 我尝试使用 CLAHE 对暗图像进行图像校正，但这也没有效果。