摘要

本文致力于解决同一类别物体在图像之间建立密集视觉对应关系的任务。由于类别内部存在较大的差异性，且缺乏密集的像素级标注，该任务极具挑战性。为此，我们提出一种名为自适应邻域共识网络（Adaptive Neighbourhood Consensus Network, ANC-Net）的卷积神经网络架构，该网络可通过稀疏的关键点标注实现端到端训练，有效应对上述挑战。ANC-Net的核心是本文提出的非各向同性4D卷积核，该核函数构成自适应邻域共识模块的基础，用于实现鲁棒的特征匹配。此外，我们在ANC-Net中引入了一个简单而高效的多尺度自相似模块，以增强所学习特征对类别内变化的鲁棒性。进一步地，我们提出一种新颖的正交损失函数，能够有效强制实现一对一匹配约束。我们在多个基准数据集上对所提方法进行了全面评估，结果表明，该方法显著优于现有最先进方法。