論文の概要: UltraMatch: Transport Path Routing for Ultra-Fast and Memory-Efficient Image Matching

• arxiv url: http://arxiv.org/abs/2609.36980v1
• Date: Tue, 29 Sep 2026 08:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.31404
• Title: UltraMatch: Transport Path Routing for Ultra-Fast and Memory-Efficient Image Matching
• Title（参考訳）: UltraMatch:超高速・メモリ効率画像マッチングのためのトランスポートパスルーティング
• Abstract要約: UltraMatchは、超効率的でスケーラブルなセミセンスマッチングフレームワークである。 これは、候補マッチングパスのごく一部だけをルーティングすることで、高密度トークンレベルのマッチングの二次計算とメモリコストをバイパスする。
• 参考スコア（独自算出の注目度）: 76.1295726577623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent advances in accuracy and efficiency, coarse matching remains an indispensable yet costly stage in existing semi-dense matchers due to dense token-level matching. We present UltraMatch, an ultra-efficient and scalable semi-dense matching framework that bypasses the quadratic computation and memory cost of dense token-level matching by routing only a small fraction of candidate matching paths. At its core, a lightweight Transport Path Router operates on coarse block representations to rank candidate target blocks for each source block and retain only a small set, restricting subsequent token-level matching to the selected paths and avoiding the construction of the full token-to-token matching matrix. We further design a sparse global Dual-Softmax that performs matching only over the routed block candidates while retaining global competition across the sparse matching space. Beyond matching acceleration, UltraMatch employs deployment-oriented structural reparameterization for feature extraction and a tiny fine matching head with shared parameters, further reducing inference cost and memory consumption. UltraMatch achieves competitive accuracy among semi-dense matchers, while running 1.67$\times$ faster than SuperPoint+LightGlue with only 0.44 GiB peak inference memory. Its scalability enables inference at up to 6K resolution on a single RTX 3090, whereas existing semi-dense matchers run out of memory before reaching 2K. Our routing strategy is also transferable, delivering about 2$\times$ end-to-end speedup in EDM and ELoFTR without accuracy loss. The project repository is available at https://github.com/JiajunLe/UltraMatch.
• Abstract（参考訳）: 近年の精度と効率の進歩にもかかわらず、密集したトークンレベルのマッチングのため、既存の半深度マッチングにおいて粗いマッチングは必須だがコストがかかる段階である。 我々はUltraMatchを提案する。UltraMatchは高密度トークンレベルのマッチングの2次計算とメモリコストを回避し,少数の候補マッチングパスをルーティングすることで,超効率でスケーラブルなセミセンスマッチングフレームワークである。 その中核となるトランスポートパスルータは、各ソースブロックの候補ターゲットブロックのランク付けのための粗いブロック表現を実行し、小さなセットのみを保持し、選択されたパスに対するその後のトークンレベルマッチングを制限し、完全なトークンツーツーケンマッチング行列の構築を回避する。 さらに、スパースマッチング空間におけるグローバル競争を維持しつつ、ルーティングされたブロック候補に対してのみマッチングを行う、スパースグローバルなDual-Softmaxを設計する。 マッチングアクセラレーション以外にも、UltraMatchでは、特徴抽出のためのデプロイメント指向の構造的パラメータ化と、パラメータの共有による微妙なマッチングヘッドを採用し、推論コストとメモリ消費をさらに削減している。 UltraMatchは、半密度のマーカ間の競合精度を実現し、0.44 GiBのピーク推論メモリを持つSuperPoint+LightGlueより1.67$\times$高速に動作する。 そのスケーラビリティにより、1つのRTX 3090上で最大6Kの解像度で推論できるが、既存のセミセンスのマーカは2Kに達する前にメモリが切れている。 ルーティング戦略も転送可能で、EDMとELoFTRで約2$\times$ end-to-end speedupを精度を損なうことなく提供します。 プロジェクトリポジトリはhttps://github.com/JiajunLe/UltraMatch.comで公開されている。

関連論文リスト

• COMPASS: Ordered Clustered Routing at 100K Scale [58.17379544011152]
  大規模ルーティングは、しばしば所定の順序でノードのクラスタを訪問する必要があるため、順序付きクラスタ旅行セールスマン問題(OCTSP)が発生する。 我々は,並列サブソルバのオーケストレーションによる探索と学習促進ルーティングを組み合わせたOCTSPのCompassアルゴリズムを提案する。 100K合成ノードと28.5K実電子商取引ノードへのスケーリングを実演する。
  論文  参考訳（メタデータ） (2026-09-17T13:17:42Z)
• Omni2LoRA: Coherence-Preserving Parametric Memory for Efficient Omni Language Models [65.49950267695267]
  我々はコヒーレンス保存コンテクスト蒸留によるパラメトリックメモリの効率的な圧縮フレームワークであるOmni2LoRAを紹介する。 本手法は,マルチモーダルメモリを固定予算で再利用可能なパラメータ状態に変換することにより,応答時間のマルチモーダルトーケン負荷をゼロにする。
  論文  参考訳（メタデータ） (2026-08-10T07:49:10Z)
• Hierarchical Global Attention (HGA) [0.0]
  階層的グローバルアテンション(Hierarchical Global Attention, HGA)は、事前訓練された長文変換器における深い因果的注意の代替である。 HGAは64Kトークンのコンテキストに適用され、トークンレベルのK/Vストレージはこのハードウェアでは実現不可能である。 結果: 経路的注意は, 約0.01$--0.02$ナット内に留まり, 空間的注意は3%程度である。
  論文  参考訳（メタデータ） (2026-06-29T16:20:35Z)
• Dual-Pool Token-Budget Routing for Cost-Efficient and Reliable LLM Serving [9.457255218406333]
  プロダクションvLLMフリートは通常、最悪のコンテキスト長に対して各インスタンスをプロビジョニングする。 実際には、80-95%のリクエストは短いが、長いコンテキストに最適化された設定の下で提供される。 本稿では,同種艦隊を2つの専用プールに分割する軽量ディスパッチ機構であるデュアルプールトークン予算ルーティングを提案する。
  論文  参考訳（メタデータ） (2026-04-09T10:47:20Z)
• SimpleMatch: A Simple and Strong Baseline for Semantic Correspondence [1.0039285760896914]
  我々は,低解像度でも高い性能を実現する意味対応フレームワークであるSimpleMatchを紹介する。 現在のSOTA法よりも252x252 (3.3倍小さい)の解像度で、SimpleMatchはSPair-71kベンチマークで84.1%のPCK@0.1で優れた性能を達成した。
  論文  参考訳（メタデータ） (2026-01-18T11:31:46Z)
• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss [59.835032408496545]
  本稿では, コントラスト損失計算を任意の小ブロックに分割するタイルベースの戦略を提案する。 分散システムの階層構造を活用するためのマルチレベルタイリング戦略も導入する。 SOTAメモリ効率のソリューションと比較すると、同等の速度を維持しながら、メモリの2桁の削減を実現している。
  論文  参考訳（メタデータ） (2024-10-22T17:59:30Z)
• Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
  Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。 実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。 本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-13T02:44:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。