摘要

特征描述子匹配是图像拼接、图像检索和视觉定位等多种计算机视觉应用中的关键步骤。然而，该过程常受到多种实际因素的影响，导致性能下降。在这些因素中，光照变化的影响最为显著，而此前的描述子学习研究大多未针对这一问题进行专门探索。为此，本文提出IF-Net，旨在在极端光照变化条件下生成具有强鲁棒性和通用性的特征描述子。我们发现，不仅训练数据的类型至关重要，其呈现顺序同样影响模型性能。基于此，我们研究了多种数据集调度方法，并提出一种分离式训练策略，以提升匹配精度。此外，结合该训练方案，我们进一步设计了感兴趣区域（ROI）损失函数与难正例挖掘策略，有效增强了生成描述子在大范围光照变化条件下的适应能力。我们在公开的图像块匹配基准数据集上对所提方法进行了评估，结果优于多种当前最先进的方法。为进一步验证其实际应用价值，我们还将IF-Net应用于大光照变化场景下的视觉定位任务，取得了最优的定位精度。