摘要
稀疏局部特征提取在典型的视觉任务中通常被认为具有重要意义，例如同时定位与建图（Simultaneous Localization and Mapping, SLAM）、图像匹配和三维重建。目前，它仍存在一些需要进一步改进的不足之处，主要包括提取的局部描述符的区分能力、检测到的关键点的定位精度以及局部特征学习的效率。本文重点在于通过相机姿态监督来提升当前流行的稀疏局部特征学习方法。为此，本文提出了一种包含四个轻量级但有效的改进措施的共享耦合桥方案（Shared Coupling-bridge scheme），用于弱监督局部特征（SCFeat）的学习。该方案主要包含以下内容：i) 用于局部描述符学习的特征融合残差U型网络主干（Feature-Fusion-ResUNet Backbone, F2R-Backbone），ii) 共享耦合桥归一化以改善描述网络和检测网络的解耦训练，iii) 增强了峰值测量功能的检测网络以检测关键点，iv) 将基本矩阵误差作为奖励因子以进一步优化特征检测训练。大量实验表明，我们的SCFeat改进方法是有效的。在经典的图像匹配和视觉定位任务中，该方法通常能够取得最先进的性能；在三维重建方面，也能获得具有竞争力的结果。为了便于分享和交流，我们的源代码已发布在 https://github.com/sunjiayuanro/SCFeat.git。