DMESA：密集匹配所有物体与分割任何物体
原文中文，约400字，阅读约需1分钟。发表于：。我们提出 MESA 和 DMESA 作为新颖的特征匹配方法，利用 Segment Anything Model (SAM) 来有效减少匹配冗余，从而在点匹配之前建立隐式语义区域匹配，基于 SAM 的高级图像理解。我们的方法通过稀疏匹配和稠密匹配的框架来分别检索候选区域并建立该区域内点的准确匹配。DMESA 表现出了比 MESA...
我们提出了MESA和DMESA作为新颖的特征匹配方法，利用SAM来减少匹配冗余，建立隐式语义区域匹配。DMESA比MESA快五倍，同时保持准确性。在五个数据集中评估，相对于五个点匹配基线展现了稳定的性能提升。具有良好的泛化能力和鲁棒性。
