GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence解读

介绍

特征匹配时很多计算机视觉算法的基础，因此速度、准确率和健壮性都是很重要的因素，目前在速度和健壮性上还存在很大的gap。主要问题在于使用在更强大的特征一致技术的一致性约束（相邻的像素运动是相似的）。一致性约束是强大的限制但是稀疏的特征缺乏定义良好的邻居，这就导致基于一致性的技术计算代价昂贵并且很难执行。这篇论文提出了GMS（Grid-based Motion Statistics, 基于网格的运动估计)，一种能够封装运动平滑作为统计在两个region pair中有一定数量特征匹配的方法。GMS能够快速而准确的区别真假匹配，有高度的一致性。如图一

文章的灵感来自于BF，而BF强调说缺少特征匹配不是由于太少的正确匹配而在于很难分辨真假，加入一致性检测能够work well但是速度上很慢。BF和其他相关技术使用的复杂的平滑限制可以总结为：运动平滑表示一致性的聚集不大可能是随机出现的，因此真假的判别可以通过周围匹配点的简单计数来实现。

原先的特征匹配论文假定匹配质量主要在于尺寸上不变特征的提升，本文发现原始的特征数量也会影响质量。

本文贡献在于：

1. 把运动平滑限制问题转变成了统计测量来去掉错误匹配；

2. 提出一种有效率的基于网格的分数估计器，能够提供real time的特征匹配；

3.展现了GSM系统比传统的SIFT, SURF和CNN训练的LIFT好很多；

Approach

假设1 运动平滑让(cause)真的match周围的领域是又相同的3D位置的，同样的，假的match领域有不相同的3D位置。

如图，真假match可以通过周围的领域点来印证。

假设2： 假定fa匹配错误，那么它最临近的match可以在任何M个可能的位置上。

数学证明。

增加特征数就能够获得传统的一些方法的效果。