摘要
尽管在特征表示方面取得了进展，但在图像存在较大变化的情况下，利用几何关系对于建立可靠的视觉对应仍然至关重要。在这项工作中，我们从霍夫变换的角度重新审视了卷积匹配，并提出了一种有效的几何匹配算法，称为卷积霍夫匹配（Convolutional Hough Matching, CHM）。该方法将候选匹配的相似性分布到几何变换空间中，并以卷积的方式对其进行评估。我们将这种方法设计为一个可训练的神经网络层，使用半各向同性的高维核，从而能够以较少的可解释参数学习非刚性匹配。为了验证其效果，我们开发了一个包含CHM层的神经网络，这些层在平移和缩放的空间中执行卷积匹配。我们的方法在语义视觉对应的标准基准测试中达到了新的最先进水平，证明了其对具有挑战性的类内变化的强大鲁棒性。