主要观点总结
本文主要介绍了图像拼接和建图中的重要步骤——特征提取和特征匹配技术。由于传统算法对光照敏感，因此引入了Magic Leap的SuperPoint网络项目。SuperPoint网络能检测兴趣点并计算描述符，适合在移动设备和实时应用中快速运行。此外，文章还介绍了基于SuperPoint和SuperGlue的特征点提取和匹配，以及利用SFM完成建图的过程。最新的LightGlue在效率和精度上都有显著提升，为3D重建等延迟敏感的应用开辟了新的可能性。
关键观点总结
关键观点1: 特征提取和特征匹配的重要性
图像拼接和建图中，特征提取和特征匹配是关键步骤，对最终的图像质量有重要影响。但由于传统算法鲁棒性不强，对光照敏感，因此需要引入新的技术。
关键观点2: SuperPoint网络介绍
SuperPoint是Magic Leap的一个研究项目，是一个全卷积深度神经网络，用于检测兴趣点并计算其伴随的描述符。该网络适合在移动设备和实时应用中快速运行，并且可以支持多任务学习。
关键观点3: SuperPoint和SuperGlue的应用
基于SP和SG的SFM利用Superpoint和SuperGIue完成特征点提取和匹配，再进行定位。在ORBSLAM2的基础上，可以把ORB提取换成superpoint，已有许多开源工作和相关论文，如DXSLAM。
关键观点4: LightGlue的提升
最新的LightGlue在速度和精度上都有显著提升。通过重新考虑现有稀疏匹配技术SuperGlue的设计，并实施一系列简单有效的改进，LightGlue在效率、准确性和训练便捷性方面都得到了提升。
文章预览
图像拼接和建图有两个步骤不能忽略：特征提取和特征匹配技术。特征提取和特征匹配往往耗费算力和内存资源。奈何传统的或者OpenCV自带的匹配算法鲁棒性不够强，对光照敏感。 随着嵌入式终端的算力逐步上升，早些年以前的优秀模型将发挥大作用。 SuperPoint 是 Magic Leap 的一个研究项目。SuperPoint 网络是一个全卷积深度神经网络，用于检测兴趣点并计算其伴随的描述符。因此，检测到的点和描述符可用于各种图像到图像匹配任务。此演示展示了使用 SuperPoint 进行点检测并跨视频序列匹配的简单稀疏光流点追踪器。 SuperPoint网络经过优化，能够在移动设备和实时应用中快速运行，适合需要快速响应的视觉任务。 网络不仅可以用于特征点检测，还可以同时生成特征描述符，支持多任务学习，减少了需要分别训练多个模型的需求。 如果输
………………………………
