摘要

我们提出了一种基于深度神经网络的新框架，用于在图像中寻找对应点。该框架能够在给定两张图像和其中一张图像中的查询点的情况下，找到其在另一张图像中的对应点。通过这种方式，用户可以选择仅查询感兴趣的点以获取稀疏对应关系，或者查询整张图像的所有点以获得密集映射。重要的是，为了捕捉局部和全局先验信息，并使我们的模型能够利用这些先验中最相关的信息来关联图像区域，我们采用了变压器（transformer）来实现网络。在推理阶段，我们通过递归地放大估计值周围的区域来应用对应的网络，从而形成一个多尺度管道，能够提供高精度的对应关系。我们的方法在多个数据集和任务上显著优于现有技术，在从宽基线立体视觉到光流等各种问题上均表现出色，且无需针对特定数据集进行重新训练。我们承诺将发布所有必要的数据、代码和工具，以便从头开始训练并确保可复现性。