7、关于LoFTR LoFTR论文链接：LoFTR LoFTR的提出，是将Transformer模型的注意力机制在特征匹配方向的应用，Transformer的提取特征的机制，在自身进行，本文提出可以的两张图像之间进行特征计算，非常适合进行特征匹配。 一、传统匹配模式的局限 首先找到一些关键点(图像梯度较高，角点检测等)，然后计算特征相似度来匹配，这种方法很依赖检测到的特征点，一旦点找

Efficient LoFTR论文阅读（特征匹配） 摘要1. 引言2. 相关工作基于检测器的图像匹配无检测器图像匹配 3. 方法3.1. 局部特征提取3.2. 高效的局部特征变换3.3. 准备工作3.4. 聚合注意力机制3.5 粗级匹配模块有效推理策略子像素级细化模块有效的精细特征提取两阶段相关细化 3.6 损失函数粗级匹配监督精细级匹配监督 4. 实验4.1. 实施细节4.2. 相对姿态

LoFTR论文详解（特征匹配） 1. LoFTR 论文1.1 摘要1.2 引言1.3 相关工作1.3.1 基于检测器的局部特征匹配1.3.2 无检测器局部特征匹配1.3.3 在视觉相关任务中使用 Transformer 1.4 LoFTR架构方法1.4.1 局部特征提取1.4.2 局部特征 Transformer（LoFTR）模块1.4.3 建立粗粒度匹配1.4.4 由粗粒度匹配到细粒度细化

LoFTR：基于Transformers的局部检测器 0. 摘要   我们提出了一种新的局部图像特征匹配方法。我们建议先在粗略级别建立像素级密集匹配，然后再在精细级别细化良好匹配，而不是按顺序进行图像特征检测、描述和匹配。与使用成本体积搜索对应关系的密集方法相比，我们在 Transformer 中使用自注意力层和交叉注意力层来获得以两个图像为条件的特征描述符。Transformer 提供的全局