要約
画像マッチングタスクにおけるコスト集約（cost aggregation）は、ノイズの多いマッチングスコアの曖昧性を解消することを目的とする極めて重要なプロセスである。従来の手法は、手作業による設計やCNNベースのアプローチを用いてこの問題に取り組んできたが、いずれも極端な変形に対して十分なロバスト性を欠くか、あるいは受容 field が限られていることや適応性に欠けるというCNNの固有の制約により、誤ったマッチングを区別できないという課題を抱えている。本論文では、自己注意機構（self-attention mechanism）が提供する完全なグローバル受容 field を活かせるように、アーキテクチャ設計を工夫することで、初期の相関マップ間におけるグローバルな合意（global consensus）を探索する「Transformerを用いたコスト集約（Cost Aggregation with Transformers, CATs）」を提案する。さらに、CATsが抱える課題、特に標準Transformerを用いることで空間次元および特徴次元の増大に伴い計算量が急増するという問題（計算複雑度の増大）により、低解像度でのみ適用可能となり、性能が限定的になってしまう点を軽減するため、CATsの拡張版としてCATs++を提案する。本研究で提案する手法は、PF-WILLOW、PF-PASCAL、SPair-71kを含むすべてのベンチマークにおいて、従来の最先端手法を大幅に上回り、新たな最先端性能を確立した。また、広範なアブレーションスタディおよび分析も実施し、提案手法の有効性を検証している。