摘要
在本文中，我们研究了图匹配（Graph Matching, GM）中一种新颖且广泛存在的问题——双层噪声对应（Bi-level Noisy Correspondence, BNC），该问题包含节点级噪声对应（Node-level Noisy Correspondence, NNC）与边级噪声对应（Edge-level Noisy Correspondence, ENC）。具体而言，一方面，由于图像间关键点可辨识性差以及视角差异，不可避免地会出现关键点标注偏移与混淆，导致两个关联节点之间的匹配错误，即NNC；另一方面，噪声的节点间对应关系将进一步污染边与边之间的对应关系，从而引发ENC。针对BNC挑战，本文提出一种名为“对比匹配与动量蒸馏”（Contrastive Matching with Momentum Distillation, COMMON）的新方法。该方法引入一种鲁棒的二次对比损失，具有以下优势：i）通过专为图匹配设计的二次对比学习范式，更有效地挖掘节点与节点、边与边之间的关联性；ii）基于动量教师网络估计的置信度，自适应地对噪声匹配进行惩罚。在三个真实世界数据集上的大量实验表明，所提方法在性能上显著优于12种具有竞争力的基线方法。代码已开源，地址为：https://github.com/XLearning-SCU/2023-ICCV-COMMON。