通过 CNN 对摄影测量几何信息进行微调，学习 SfM 的视觉重叠图像对

高效准确地识别视觉重叠图像对是大规模运动结构 （SfM） 面临的持续挑战。最近，基于CNN的方法已经证明了找到视觉上相似的图像对的能力。具有手工制作或基于学习的局部特征的BoW（词袋）或视觉词汇树（VoC）已广泛嵌入到3D重建任务中。为了探索相应的差异，在这项工作中，我们根据为确定SfM的视觉重叠图像对而定制的规律微调了几种流行的CNN（AlexNet，VGG，ResNet）。更具体地说，通过充分考虑摄影测量要求和3D网格模型，生成了由常规摄影测量图像和来自Internet的众包图像组成的新训练数据集（称为LOIP）。在微调过程中采用配对图像的局部区域重叠信息。为了聚合来自不同通道的特征图，针对每个区域信息采用可学习的多个NetVLAD，以进一步提高检索性能。