論文の概要: FlexGlue: Sparse-to-Dense Feature Matching and Visual Disambiguation

• arxiv url: http://arxiv.org/abs/2610.32976v1
• Date: Fri, 23 Oct 2026 17:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.631669
• Title: FlexGlue: Sparse-to-Dense Feature Matching and Visual Disambiguation
• Title（参考訳）: FlexGlue: Sparse-to-Dense機能マッチングと視覚的曖昧さ
• Abstract要約: 非対称なスパース対ダンスマッチングと曖昧さのためのニューラルネットワークであるFlexGlueを紹介する。 濃厚画素間の限られた対応を探索することにより、マッチングと曖昧さの両面において、我々のアプローチは高速かつ効果的である。
• 参考スコア（独自算出の注目度）: 55.53711002662226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To estimate correspondences across images, existing approaches match either sparse interest points, which is highly efficient but limited by repeatability, or dense pixel grids, which is robust but expensive. Furthermore, these approaches are trained with only matching pairs and thus often fail to reject unrelated pairs that exhibit visual symmetries, which is equally important in applications like Structure-from-Motion (SfM). We bridge these gaps by introducing FlexGlue, a neural network for asymmetric sparse-to-dense matching and disambiguation. Given two images and coordinates of points in the first image, FlexGlue estimates the coordinates of the corresponding points in the second image while simultaneously rejecting the pair if non-matching. By searching for a limited set of correspondences among dense pixels, our approach is both fast and effective at both matching and disambiguation: it combines the sub-pixel accuracy of dense matching with the speed of sparse matching, while rejecting incorrect pairs with high precision. Experiments on multiple datasets show that FlexGlue pushes the Pareto frontier in relative pose estimation and significantly outperforms existing approaches for SfM and visual localization. FlexGlue is publicly available at https://github.com/cvg/flexglue .
• Abstract（参考訳）: 画像間の対応を推定するために、既存のアプローチは、高効率だが繰り返し可能性によって制限されている疎利点と、頑丈だが高価である高密度のピクセルグリッドのいずれかに適合する。 さらに、これらのアプローチはマッチングペアのみを用いて訓練されるため、視覚対称性を示す無関係なペアを拒否することができない場合が少なく、Structure-from-Motion (SfM)のようなアプリケーションでも同様に重要である。 非対称なスパース対ダンスマッチングと曖昧さのためのニューラルネットワークであるFlexGlueを導入することで、これらのギャップを埋める。 第1画像の2つの画像と点の座標が与えられたとき、FlexGlueは第2画像の対応する点の座標を推定し、非マッチングの場合はペアを同時に拒否する。 密集画素間の限られた対応を探索することにより、マッチングと曖昧さの両面において高速かつ効果的であり、密集マッチングのサブピクセル精度とスパースマッチングの速度を組み合わせながら、不正確なペアを高精度に拒否する。 複数のデータセットの実験では、FlexGlueが相対的なポーズ推定においてParetoフロンティアを押し上げ、SfMと視覚的ローカライゼーションの既存のアプローチを大幅に上回っていることが示されている。 FlexGlueはhttps://github.com/cvg/flexglue.comで公開されている。

関連論文リスト

• MatchAttention: Matching the Relative Positions for High-Resolution Cross-View Matching [11.58359962687585]
  クロスビューマッチングは、基本的にクロスアテンション機構によって達成される。 本稿では,相対的な位置と動的に一致する注意機構であるMatchAttentionを提案する。 提案したモデルは、KITTI 2012、KITTI 2015、ETH3D、Springフローデータセット上での最先端のパフォーマンスも達成している。
  論文  参考訳（メタデータ） (2025-10-16T03:21:28Z)
• HomoMatcher: Dense Feature Matching Results with Semi-Dense Efficiency by Homography Estimation [39.48940223810725]
  画像ペア間の特徴マッチングは、SLAMのような多くのアプリケーションを駆動するコンピュータビジョンの基本的な問題である。 本稿では,セミセンスマッチングフレームワークにおけるファインマッチングモジュールの強化に焦点をあてる。 我々は、粗いマッチングから得られたパッチ間の視点マッピングを生成するために、軽量で効率的なホモグラフィ推定ネットワークを用いる。
  論文  参考訳（メタデータ） (2024-11-11T04:05:12Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Adaptive Assignment for Geometry Aware Local Feature Matching [22.818457285745733]
  検出不要な特徴マッチングアプローチは、その優れたパフォーマンスのおかげで、現在大きな注目を集めている。 本稿では,AdaMatcherについて紹介する。AdaMatcherは特徴相関と協調可視領域推定を,精巧な特徴相互作用モジュールを通じて実現する。 次に、AdaMatcherは、画像間のスケールを推定しながらパッチレベルのマッチングに適応的な割り当てを行い、最後に、スケールアライメントとサブピクセルレグレッションモジュールを通じて、コビジブルマッチングを洗練する。
  論文  参考訳（メタデータ） (2022-07-18T08:22:18Z)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)
• DFM: A Performance Baseline for Deep Feature Matching [10.014010310188821]
  提案手法では,事前学習したVGGアーキテクチャを特徴抽出器として使用し,マッチングを改善するために追加の訓練を必要としない。 提案アルゴリズムは,Hpatchesデータセット上で,平均マッチング精度(MMA)で0.57と0.80のスコアをそれぞれ1ピクセル,2ピクセルの閾値で達成する。
  論文  参考訳（メタデータ） (2021-06-14T22:55:06Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。