圖像匹配算法
- 一、核心算法分類與技術路線
- 1. **傳統局部特征 + 匹配優化**（魯棒性強，適合資源受限場景）
- 2. **端到端密集匹配網絡**（高精度，適合復雜形變/弱紋理）
- 3. **基于光流思想的匹配網絡**
- 4. **2024-2025年新趨勢**
- 二、核心開源工具庫匯總
- 三、典型代碼流程（以LoFTR為例）
- 四、選擇建議
- 以下是2024-2025年圖像匹配算法的主要進展總結，涵蓋原理、核心公式、代碼實現和開源鏈接。該領域正快速向深度學習端到端匹配和Transformer架構演進。
一、核心算法分類與技術路線
1. 傳統局部特征 + 匹配優化（魯棒性強，適合資源受限場景）
- 代表算法：SuperPoint (特征點) + SuperGlue (匹配層)
- 原理：
- SuperPoint：CNN自監督訓練，輸出特征點位置 + 描述子。
- SuperGlue：圖神經網絡（GNN）建模特征點間關系，解決匹配為最優傳輸問題（Sinkhorn算法）。
- 關鍵公式：
- 最優傳輸代價矩陣：
- 最優傳輸代價矩陣：
