CVPR 2022 图像匹配挑战赛回顾

笔者跟踪这项比赛较长时间，去年和前年已经写过两篇文章 2021, 2020, 感兴趣的同学可点击查阅。

今年最大的不同是什么呢？对，就是Kaggle！

其实，原本去年的比赛就要放在Kaggle上进行的，但是由于疫情以及数据准备较为耗时，于是这个决定就被推迟到了今年。

今年比赛共有3846人参与，共计642个队伍，其中128个用户是他们首次参与比赛（Top20中占有18个新用户），这些参与者来自60个国家，另外共有14170次提交记录。

通过下图可以看出：超过25倍的参与者以及150倍的提交记录：

Fun fact: 冠军方案在deadline前48小时才完成。

不同之处

相比往年的比赛，今年的不同之处具体表现在如下几个方面：

• 参赛者需要提交 notebooks 离线处理比赛用的数据
• 参赛者无法查看测试集：很难作弊
• 允许算法快速迭代

除此之外，还有几点差异：

1. 砍掉了multiview track(多视图匹配赛道)，仅专注在stereo track。这么做的原因有很多，最主要的是“技术问题”，即很难在有限合理的时间内运行以及评价匹配性能。
2. 新的数据集以及评价标准。往年的真值位姿的平移量没有尺度，仅能够评价旋转的精度；而今年的平移量拥有了尺度信息，这使得可以同时评价位姿旋转量与平移量。此外，今年使用了来自Google的非公开数据集（网上是搜不到滴）。
3. 时间限制。总计算时长被限制在9小时（计算平台：Kaggle GPU virtual instance）以内，不能超时！这让参赛者要思考，什么算法能用什么算法不能用。一个简单的例子：使用语义分割mask对提升指标可能是有帮助的，但是需要的算力太大，那就不能使用！

Top solutions

与以往不同，今年几乎所有排名靠前的队伍都使用了相似的流程，虽然实现细节不同，但是核心思想是相似的...

不过，最终排名第二的方案（hkchkc）采用了不同的方案，该方案并没有使用任何前/后处理，并且在比赛过程中该算法曾经“霸占”Top1很长一段时间。

如下所示为一个通用的特征匹配流程（被诸多参赛者使用）：

1. 第一步使用 off-the-shelf 模型获得初始匹配。这些模型包括 LoFTR[5], SuperGlue[7], QuadTree Attention LoFTR[6]。一些队伍还使用了尺度增强算法（多尺度特征匹配）。
2. 下一步就是估计两张图的共视区域，一个常用的方法是用 K-means 或者 DBSCAN (top1方案) 对匹配进行聚类，然后找到图像上共视区域的 bbox (bounding box)，这个 bbox 里包含数量最多的匹配对，这样做可能得到多个潜在的共视区域。紧接着，使用每个共视区域的匹配计算基础矩阵。另外一种不需要聚类的思路是利用 MAGSAC++ 在低阈值条件下迭代几轮排除一些错误匹配，然后也可以得到 bbox。
3. 裁剪出每个 bbox 区域，随后将其resize到一个预设的图像尺寸。紧接着，使用匹配算法对这些 "zoomed-in" 过的图像进行再次匹配。得到新的匹配之后，将这些匹配对投影到原始的图像上，这些投影后的匹配和最原始的图像匹配进行串联组织起来。注意，"zoomed-in" 后的匹配是为了增加匹配，而不是替换原来的匹配。
4. (可选) 这一步使用非极大值抑制过滤过于集中的匹配对。非极大值抑制 包括 ANMS[9] 或者基于半径的NMS算法。
5. 使用OpenCV MAGSAC++ 求解基础矩阵。

更为具体的，此处列举Top1/Top2方案。

Top1 思路

完全基于开源匹配器 (LoFTR[5], SuperGlue[7], DKM[8]) 组合达到该名次，不可思议！取得该名次另外一个关键原因在于，该方案使用了多尺度图像裁剪后进行匹配的 "2-stage" 策略。

具体的步骤如下：

1. 图像初始匹配: LoFTR[5] 提取图像特征，分辨率840；Superpoint+SuperGlue[7] 提取多尺度图像特征，分辨率 840, 1024, 1280；紧接着将这两种匹配器得到的匹配进行串联；这是本方案的第1阶段匹配；
2. 使用 DBSCAN 对匹配进行聚类，可以获得最佳的80-90%的匹配对；紧接着得到一个对应区域的 bbox，将这个区域裁剪出来，作者将这种方式称为 mkpt_crop。mkpt_crop 可以有效地过滤外点以及提取共视区域；
3. 使用 LoFTR[5], SuperGlue[7], DKM[8] 重新对共视区域进行再次匹配，这是本方案的第二阶段匹配；
4. 将上述两个阶段的匹配对串联起来，使用 MAGSAC 解算基础矩阵。

Top2 思路

几个关键点：

1. 仅仅使用单一模型（Baseline）就可以获得0.838（public）/0.833（private）精度；这个模型与 LoFTR[5] 结构类似，同样是基于transformer直接进行图像匹配，没有特征点。不过作者提到，现阶段论文还在盲审，目前不能公开太多信息，笔者会持续跟踪；
2. 使用其他匹配器（Baseline + QuadTree[6] + LoFTR[5] + SuperGlue[7]）进一步增强精度；
3. 使用归一化位置编码；
4. 没有使用前/后处理；

有用的tricks

1. 交换图像匹配顺序可提升 LoFTR-like 匹配器的精度
2. 对 LoFTR-like 匹配器的位置编码归一化有效 (top2方案)
3. 使用不同的 resize 图像的方法差异不大
4. 使用 ECO-TR 对坐标进行优化有效 (未开源)
5. 使用局部描述子+非学习的匹配器增加匹配数量并不奏效，如 DISK[11] , ALIKE[12] 等
6. 语义分割掩码（天空/人）也不奏效

总结

1. "2-stage" 的方式对于图像匹配任务相当有效：首先找到共视区域，接着缩放进行匹配；
2. 最好首先解决 "recall" 问题，即尽可能多的找到匹配，这个过程可以使用不同的匹配器；要相信现代的 RANSACs 可以使用较少的内点恢复位姿；
3. LoFTR[5] 对输入图像大小非常敏感，这一点值得后续继续研究。

参考

[1]: Image Matching: Local Features & Beyond, homepage: https://image-matching-workshop.github.io

[2]: Image Matching Challenge 2022, homepage: https://www.kaggle.com/competitions/image-matching-challenge-2022

[3]: Image Matching Challenge 2022 Recap, Dmytro Mishkin, https://ducha-aiki.github.io/wide-baseline-stereo-blog/2022/07/05/IMC2022-Recap.html, homepage: http://dmytro.ai

[4]: Competition is Finalized : Congrats to our Winners, Recap, https://www.kaggle.com/competitions/image-matching-challenge-2022/discussion/329650

[5]: LoFTR: Detector-Free Local Feature Matching with Transformers, CVPR 2021, code: https://github.com/zju3dv/LoFTR, pdf: https://arxiv.org/abs/2104.00680

[6]: QuadTree Attention for Vision Transformers, ICLR 2022, code: https://github.com/Tangshitao/QuadTreeAttention, pdf: https://arxiv.org/abs/2201.02767

[7]: SuperGlue: Learning Feature Matching with Graph Neural Networks, CVPR 2020, code: https://github.com/magicleap/SuperGluePretrainedNetwork, pdf: https://arxiv.org/abs/1911.11763

[8]: DKM, Deep Kernelized Dense Geometric Matching, arxiv 2022, code: https://github.com/Parskatt/DKM, pdf: https://arxiv.org/abs/2202.00667

[9]: ANMS, Efficient adaptive non-maximal suppression algorithms for homogeneous spatial keypoint distribution, code: https://github.com/BAILOOL/ANMS-Codes

[10]: OANet, Learning Two-View Correspondences and Geometry Using Order-Aware Network, code: https://github.com/zjhthu/OANet, pdf: https://arxiv.org/abs/1908.04964

[11]: DISK: Learning local features with policy gradient, NeurIPS 2020, code: https://github.com/cvlab-epfl/disk, pdf: https://arxiv.org/abs/2006.13566

[12]: ALIKE: Accurate and Lightweight Keypoint Detection and Descriptor Extraction, Transactions on Multimedia 2022, code: https://github.com/Shiaoming/ALIKE, pdf: https://arxiv.org/abs/2112.02906

[13]: ASLFeat: Learning Local Features of Accurate Shape and Localization, CVPR 2020, code: https://github.com/lzx551402/ASLFeat, pdf: https://arxiv.org/abs/2003.10071