亮风台提出完全可训练的图匹配方法

6月14-19 日，CVPR 2020在线上举行，本届大会共收到6656篇投稿，接收论文1470篇，录用率约22%，低于CVPR 2019论文录用率（25%），为十年以来CVPR论文最低录用率。

其中，亮风台及合作伙伴的最新图匹配算法成果入选CVPR 2020 Oral presentation（约5%比例）,论文《Learning Combinatorial Solver for Graph Matching》已在官网公布。

在计算机视觉领域，基于学习的图匹配方法已经有十多年的发展和探索史，近几年发展和普及速度更迅速。然而，以往的基于学习的算法，无论有无深度学习策略，都主要集中在节点学习和/或边缘仿射的生成上，而对组合求解器的学习关注较少。

新成果提出了一个完全可训练的图匹配框架，在该框架中，仿射学习和组合优化求解并不像以往的许多技术那样被明确地分开。团队首先将两个输入图之间建立节点对应的问题，转化为从一个已构造的分配图中选择可靠节点的问题。随后，采用图网络块模块对图进行计算，形成各节点的结构化表示。最后为每个节点预测一个用于节点分类的标签，并在排列差分和一对一匹配约束的正则化下进行训练。

总体来说，新成果提出的图匹配学习框架有三个方面的贡献：

通过构造一个给定两个待匹配输入图的赋值图，将图匹配学习转化为节点选择学习；

将仿射学习和组合优化求解结合到一个统一的学习框架中，并扩展了用于结构表示和关系推理的图形网络块模块；

设计了一个新的损失函数，其中施加一对一匹配约束来监督网络的训练。

为了进行评估，新算法在四个公共基准上进行了测试，与包括非学习和基于学习的算法在内的八个最新基准进行了比较。该算法对噪声和异常值具有较强的鲁棒性，总体上优于所有的基线算法。