快速且可解释的 2D 单应矩阵分解：相似 - 内核 - 相似与仿射 - 核心 - 仿射转换
内容提要
该文综述了单应性估计与特征匹配的多项研究，包括：利用几何解释约束SIFT角度尺度并提出两对应点求解器；结合区域匹配与RANSAC提升精度；HDN分解参数空间实现平面跟踪；H-RANSAC无需描述子检索单应性；用SIFT五点法估计基础矩阵；单应性对齐实现跨视图地理定位；仿射框架校正提升姿态估计；揭示CKA度量易被操纵；DLKFM实现多模态像素对齐；相关滤波跟踪器高效估计相似变换。
延伸解读
单应矩阵分解的几何解释与约束
文章提出了一种几何解释方法，用于解释SIFT等特征检测器提供的角度和尺度，并在此基础上引入了两个新的通用限制到单应性估计任务中。此外，还给出了一个求解器，能够从最小数量的两个对应点对中估计单应性并进行测试。这些工作有助于提升单应性估计的准确性和鲁棒性。
区域匹配与RANSAC结合提升单应性估计效率
文章提出了一种有效使用区域匹配的指导方针，结合对称强度匹配的局部特征几何形状精炼方法，将不确定性传递到RANSAC中，并适应样本手性检查。实验结果表明，按照该指导方针，仿射求解器可以在更快的运行时间内达到与基于点的求解器相同的准确性。
HDN分解参数空间实现稳定平面跟踪
文章提出了一种基于Homography Decomposition Networks（HDN）的新方法，通过将单个参数空间分解成两个组来稳定计算条件数。该方法包括相似变换估计器、卷积等变网络和简单回归模型来实现残差变换，并以半监督方式训练。在POT、UCSB和POIC数据集上，其表现优于当前最先进的平面跟踪方法。
H-RANSAC无需描述子检索单应性
文章提出了一种广义RANSAC算法H-RANSAC，能够在没有描述性局部特征向量和点配对的情况下，从点集中检索图像的单应性变换。该算法在每次迭代前基于随机点对选择的四边形类型提出鲁棒准则来拒绝不可信的点选择，并在迭代结束时包含类似的事后准则来拒绝不可信的单应性变换。在具有少数点且无法获得足够描述性局部特征的图像单应性对齐案例中，该方法表现出更好的性能。
Q&A
SIFT 特征的角度和尺度信息如何被几何解释并用于单应性估计？
文章提出一种几何解释方法，用于解释 SIFT 等取向和尺度协变特征检测器提供的角度和尺度。在此基础上，提出了两个新的通用限制并引入到单应性估计任务中，还给出了一个求解器，能从最小数量的两个对应点对中估计单应性并进行测试。
HDN 方法如何分解单应矩阵参数空间来提升平面跟踪性能？
HDN 通过将单个参数空间分解成两个组来稳定计算条件数，包括相似变换估计器、卷积等变网络和简单回归模型来实现残差变换，并用半监督方式训练。实验证明，在 POT、UCSB 和 POIC 数据集上，它比当前最先进的平面跟踪方法表现优异。
H-RANSAC 算法在什么场景下比传统方法更有优势？
H-RANSAC 是一种广义 RANSAC 算法，能在没有描述性局部特征向量和点配对的情况下，从点集中检索图像的单应性变换。它基于随机点对选择的四边形类型提出鲁棒准则来拒绝不可信的点选择，并在每次迭代结束时用类似的事后准则拒绝不可信的单应性变换。该方法在具有少数点且无法获得足够描述性局部特征的图像单应性对齐案例中表现出更好的性能。
如何利用单应性估计实现细粒度的跨视图地理定位？
文章提出一种新颖方法，通过使用单应性估计将畸变的地面图像与相同区域的带 GPS 标记的卫星图像对齐，将地面和航拍图像置于同一视图和同一平面上，减少任务复杂性。通过映射变换后地面图像的中心点到卫星图像并确定地面相机的方向，实现亚像素和米级的 GPS 精度定位。
CKA 度量存在什么弱点？使用时需要注意什么？
文章通过分析 Centered Kernel Alignment 算法对机器学习中简单变化的敏感度，研究了其若干弱点，并探索了在保持功能行为的前提下改变 CKA 值的方法。结果表明 CKA 值可以容易地被操纵而不需对模型做实质性的改变，因此在利用活动对齐度量时需谨慎。
基于相关滤波的跟踪器如何实现大位移下相似变换的鲁棒估计？
文章提出一种新的基于相关滤波的跟踪器，具有对大位移下相似变换的鲁棒估计以及在实时环境下高效搜索 4-自由度空间的能力，同时运用 Block Coordinates Descent 求解器对问题进行拆解优化。实验结果表明，该跟踪器具有与最新视觉对象跟踪方法相当的预测性能，同时保留了传统相关滤波跟踪方法的高效和简单优点。
