这里写目录标题I.SuperPoint和SuperGIue的背景介绍特征点提取和匹配特征点的构成基于神经网络的方法优化方向一：增强特征点检测和描述子生成优化方向二：增强匹配和外点去除策略背景和效果神经网络真的优于传统方案吗？DEMO演示为什么研究2.SuperPoint学习经验分享整体架构核心技术1.自适应单应变换2Encoder-Decoder的网络结构a·输入是一张图像b·经过一个Encoder（类似VGG的结构）c.送到两个Decoder里面i，lnterestPoint:特征点位置检测，Softmax和NMS（非极大值抑制），reshapeii.Descriptor:描述子生成,插值，
引言：探索大规模3D点云全景分割的新方法在3D计算机视觉领域，理解大规模3D环境对于多种高影响力应用至关重要，例如创建大型工业设施的“数字孪生”，或者是整个城市的数字化。这些应用场景需要能够处理含有数百万3D点的大型点云，并准确预测每个点的语义，同时恢复特定对象的所有实例，这一任务被称为3D全景分割。然而，大规模3D全景分割尤其具有挑战性，因为场景的规模往往包含数百万3D点，以及对象的多样性——从几个到数千个，大小变化极大。为了解决这些挑战，我们介绍了一种高效的方法，通过将全景分割任务重新定义为一个可扩展的图聚类问题，从而实现了大规模3D点云的全景分割。这种方法可以仅使用局部辅助任务进行训练，
最近工作原因接触到图像匹配，经过调研发现SuperPoint+SuperGlue方法简直是图像匹配届的天花板，各种精度比较以及运行时间真令人惊讶，如下：后来图像匹配（也可以做视频匹配，我这里做的是图像匹配）复现也特别简单，代码写得真好，环境配置好了也不怎么报错。下面直接来复现步骤，本人小白，如有不对，还请指出，互相交流，共同进步。代码地址:https://github.com/magicleap/SuperGluePretrainedNetwork下载以后解压，可以新建一个文件夹存储图像数据。打开requirements文档查看并安装以下模块方法一：matplotlib>=3.1.3torch
最近工作原因接触到图像匹配，经过调研发现SuperPoint+SuperGlue方法简直是图像匹配届的天花板，各种精度比较以及运行时间真令人惊讶，如下：后来图像匹配（也可以做视频匹配，我这里做的是图像匹配）复现也特别简单，代码写得真好，环境配置好了也不怎么报错。下面直接来复现步骤，本人小白，如有不对，还请指出，互相交流，共同进步。代码地址:https://github.com/magicleap/SuperGluePretrainedNetwork下载以后解压，可以新建一个文件夹存储图像数据。打开requirements文档查看并安装以下模块方法一：matplotlib>=3.1.3torch
视觉SLAM总结——SuperPoint/SuperGlue视觉SLAM总结——SuperPoint/SuperGlue1.SuperPoint1.1网络结构1.2损失函数1.3自监督训练过程2.SuperGlue2.1Sinkhorn算法2.2网络结构2.3损失函数和网络训练视觉SLAM总结——SuperPoint/SuperGlue在我刚开始接触SLAM算法的时候听到过一个大佬讲：“SLAM其实最重要的是前端，如果特征匹配做得足够鲁棒，后端就可以变得非常简单”，当时自己总结过一篇传统视觉特征的博客视觉SLAM总结——视觉特征子综述，由于当时对深度学习了解不够，因此并没有涵盖基于深度学习的视
视觉SLAM总结——SuperPoint/SuperGlue视觉SLAM总结——SuperPoint/SuperGlue1.SuperPoint1.1网络结构1.2损失函数1.3自监督训练过程2.SuperGlue2.1Sinkhorn算法2.2网络结构2.3损失函数和网络训练视觉SLAM总结——SuperPoint/SuperGlue在我刚开始接触SLAM算法的时候听到过一个大佬讲：“SLAM其实最重要的是前端，如果特征匹配做得足够鲁棒，后端就可以变得非常简单”，当时自己总结过一篇传统视觉特征的博客视觉SLAM总结——视觉特征子综述，由于当时对深度学习了解不够，因此并没有涵盖基于深度学习的视
基于SuperPoint与SuperGlue实现图像配准，项目地址https://github.com/magicleap/SuperGluePretrainedNetwork，使用到了特殊算子grid_sample，在转onnx时要求opset_version为16及以上（即pytorch版本为1.9以上）。SuperPoint模型用于提取图像的特征点和特征点描述符（在进行图像配准时需要运行两个，实现对两个图片特征点的提取），SuperGlue模型用于对SuperPoint模型所提取的特征点和特征描述符进行匹配。使用SuperPoint与SuperGlue训练自己的数据库，可以查看该文库资料
基于SuperPoint与SuperGlue实现图像配准，项目地址https://github.com/magicleap/SuperGluePretrainedNetwork，使用到了特殊算子grid_sample，在转onnx时要求opset_version为16及以上（即pytorch版本为1.9以上）。SuperPoint模型用于提取图像的特征点和特征点描述符（在进行图像配准时需要运行两个，实现对两个图片特征点的提取），SuperGlue模型用于对SuperPoint模型所提取的特征点和特征描述符进行匹配。使用SuperPoint与SuperGlue训练自己的数据库，可以查看该文库资料
