摘要
多图匹配是一项重要的结构化预测任务，其预测标签被约束在环一致性匹配（cycle-consistent matchings）的集合空间中。尽管直接最小化损失是学习结构化标签空间上预测器的一种有效方法，但该方法难以高效应用于当前问题，因为对匹配预测集合执行专用求解器在计算上极为昂贵。此外，对于环一致性预测集合上的真实匹配（ground-truth matchings）缺乏监督信号。我们的核心洞察在于：在成对匹配预测中严格强制执行匹配约束，同时通过将环一致性约束转化为加权损失项的方式，以软性方式施加这些约束，从而使全局预测中不一致性的严重程度由一个惩罚参数进行调节。受经典罚函数法（penalty method）的启发，我们从理论上证明了所提出方法能够恢复出受环一致性约束的最优多图匹配解。在Pascal VOC和Willow ObjectClass数据集上流行的特征点匹配任务的实验结果中，充分展现了本方法的优势。