探索AdaLAM：重审手工打造的异常检测

在计算机视觉领域，局部特征匹配是许多关键流程的基础，包括结构光谱成像（Structure-from-Motion）、SLAM和视觉定位等。然而，由于描述符的局限性，原始匹配往往充斥着大量的异常值。在这种背景下，AdaLAM应运而生，这是一款集最佳实践于一体的实时异常过滤器，通过搜索图像对应关系中的显著局部仿射模式来识别内点。

在CVPR 2020年举行的Image Matching Challenge中，AdaLAM在8000个关键点类别中取得了第二名的成绩，证明了其与深度学习方法的竞争力。点击此处可观看关于AdaLAM和挑战提交的邀请演讲。

项目介绍

AdaLAM是一个完整的PyTorch实现，建议在CUDA设备上运行以获得最佳性能，同时也支持CPU执行。我们提供了一个示例脚本，用于使用AdaLAM进行COLMAP重建匹配。这个项目的主旨是作为一个强大的经典基线，方便进行比较测试。

技术分析

AdaLAM的核心在于其手工地检测异常值，通过集成多个最佳实践到一个高效且有效的框架。它利用仿射模式来识别可靠匹配，这种方法无需依赖复杂的深度学习模型，却能与之相媲美。

应用场景

• 结构光谱成像（SFM）：在构建3D场景模型时，AdaLAM可以帮助去除不一致的匹配，提高重建准确性。
• SLAM（Simultaneous Localization And Mapping）：实时定位和建图中，精确的特征匹配至关重要，AdaLAM可以优化这一过程。
• 视觉定位：在物体或环境的精确定位中，过滤出噪声匹配，提升定位精度。

项目特点

1. 高效: 集成了最佳实践，实现了实时处理。
2. 易用: 提供完整的PyTorch实现，并已集成到kornia库中，直接调用即可。
3. 灵活性: 支持GPU和CPU执行，适应不同硬件条件。
4. 基准: 作为对比测试的标准，有助于其他算法的开发和评估。

安装与使用

要使用AdaLAM，你需要Python3.7环境以及PyTorch和tqdm。详细安装步骤可在项目README中找到。一旦设置完毕，可以直接调用AdalamFilter类进行匹配和过滤操作。

from adalam import AdalamFilter

matcher = AdalamFilter()
matches = matcher.match_and_filter(
    k1=keypoints_of_source_image, k2=keypoints_of_destination_image,
    o1=orientations_of_source_image, o2=orientations_of_destination_image,
    d1=descriptors_of_source_image, d2=descriptors_of_destination_image,
    s1=scales_of_source_image, s2=scales_of_destination_image,
    im1shape=shape_of_source_image, im2shape=shape_of_destination_image).cpu().numpy()

想要了解更多示例和详细信息，可参考项目中的文档和例子。

如果你发现这个项目或论文有帮助，请考虑引用我们的研究：

@inproceedings{cavalli2020handcrafted,
  title={Handcrafted Outlier Detection Revisited},
  author={Cavalli, Luca and Larsson, Viktor and Oswald, Martin Ralf and Sattler, Torsten and Pollefeys, Marc},
  booktitle={European Conference on Computer Vision},
  year={2020}}

总而言之，AdaLAM以其简洁、高效的解决方案为计算机视觉领域的特征匹配问题带来了新的可能。无论你是学术研究人员还是应用开发者，它都是值得尝试的一款强大工具。