一 为什么要做局部匹配

图像匹配是计算机视觉的基础工作，广泛用于三维重建，SLAM和视觉定位。图像匹配(image to image)算法集中在提取准确的关键点和描述子，而针对外点过滤的方法较少，最经典的莫过于1981年提出的RANSAC算法。

...

...

随着匹配算法越来越重要，苏黎世联邦理工学院(ETH Zurich)设计实现了一个快速并行的outlier检测器，可以接入到任何关键点和描述子检测pipeline中作为一个filter使用，高效快速地滤除外点；并且算法没有像RANSAC那样公式较多。论文虽然不是基于深度学习，但是通俗易懂，有python实现的源代码开源，在Image Matching Challenge (CVPR2020)取得state-of-art。(不是第一，第一名还没有开源)

...

homograph是很好的几何约束模型，但是由于：2d-2d匹配生成的3d点在空间可能不共面（homograph要求的是共面的点）,如果检测的点如果相对较远，则会影响误差，由于遮挡，光照等，有可能匹配的2d-2d 不是一个3d上边的点（误匹配等），畸变也会带来误差。

论文提出一种假设：局部仿射，既然整个图像不满足共面，仿射变换不成立，为什么不做局部仿射变换那？

...

二、匹配对的计算过程

AdaLAM[3]的全称是Adaptive Locally-Affine Matching(自适应局部仿射匹配),本文提出了一种高效快速外点滤除算法。

1.找到初始匹配（最近邻top1）：

我们为每个匹配赋值一个score（score可以从ratio test的到，置信度越高score越高），然后使用非极大值抑制得到score最高的match point即选取为seed点；

2、选取满足条件的种子点的附近的点（匹配），构成邻域来支持seed点。

3、每个邻域集合中使用固定迭代次数的ransac，保留那些局部一致较好匹配；

4、并行计算所有的seed点，得到整体的匹配对，根据一定阈值做整体的迭代。

三、优缺点分析

优点：

1.论文用分治的思想，既然图像整体难以满足共面假设，为什么不做局部的共面呢？不仅仅可以提速，还可以提高整体的匹配点召回。

2.用纯数学的方法，可以实现比深度学习OA-Net更高的准确率，很是难得。

缺点：

1.论文是Image Matching Challenge (CVPR2020)的一部分，测试集不包括Aachen Day-Night,MegaDepth，Phototourism，给人感觉不是在一个维度讲故事。

2.在几何约束模型上，也没有DEGENSAC，MAGSAC，连自家的SuperGlue[2]也不比对，乍一看和参考文献[1]主流方法分开的感觉。

参考文献

1.Image matching across wide baselines: From paper to practice.arXiv preprint arXiv:2003.01587, 2020.

2.Superglue: Learning feature matching with graph neural networks. arXiv preprint arXiv:1911.11763, 2019.

3.AdaLAM: Revisiting Handcrafted Outlier Detection.arXiv preprint arXiv:2006.04250v1, 2020.