AdaLAM的全称是Adaptive Locally-Affine Matching(自适应局部仿射匹配)，本文提出了一种高效快速外点滤除算法。

先祭出Github Repo：AdaLAM

原有技术问题

在图像匹配任务中初始匹配中外点较多，目前难以高效快速地滤除外点。

新技术创新点

1. 基于目前已有的外点滤除算法（spatial matching），提出了现有的鲁棒快速的图像一致性空域验证算法；
2. 本框架基于一种几何假设（局部仿射），场景实用性较强；经实验验证，该算法目前达到了SOTA（很自信啊）。

新技术主要框架以及关键技术点

总共分四步：

1. 找到初始匹配（最近邻top1）;
2. 找到置信度高且分布较好的点作为“种子点”；
3. 在初始匹配中选择与该种子点在同一个区域的匹配点；
4. 保留那些局部一致较好匹配；

接下来重点介绍后3点。

种子点选择

将ratio-test得到的最优次优比作为左图上匹配点的匹配置信度，选择那些在半径内匹配置信度最大的点作为种子点。由于每个匹配点都是独立的，此时可用GPU对该过程进行并行加速。

局部选择与过滤

接下来要寻找一些可以支持种子匹配的匹配对。

令：

其中分别表示两张图上的第个种子匹配对，它们之间符合相似变换（即旋转+缩放，其中旋转, 缩放为）。那么对于任意匹配，其中表示描述子，如果上述匹配满足如下约束关系，就能够被纳入到支持种子点的匹配集合中，该约束关系为：

上式中：

表示两个匹配点之间的角度与尺度差异；与分别表示图像与的种子点扩散半径；表示邻域圈圈的覆盖程度的正则项。

上面的第一个式子表示：初始匹配中与种子点相对位置差不多且在半径在的匹配会加入到；第二个式子告诉我们：上面加入的这些匹配对需要满足角度以及尺度一致性才能够被加入，否则免谈。上面的两个条件需要同时满足才能得到。

自适应仿射校验

我们假设匹配对之间符合局部仿射变换，即上述的每个都满足该假设，那么接下来可利用该假设去滤除一些错误的匹配对：使用RANSAC的思想找到最小解集去拟合仿射矩阵，然后滤除置信度低的匹配对。

由于仅使用2对匹配点就可以得到仿射矩阵，那么即使对每个圈圈求仿射也并不耗时。对于第次迭代，我们可以得到匹配关系，对于集合，我们可以从中随机选择一对匹配：

进而得到二者之间的仿射矩阵，然后我们就可以得到匹配关系对两个匹配对产生的残差，如下式：

然后作者参考文献[^36]，设计了置信度（不展开讲），当置信度大于某个阈值，表示该模型对该匹配关系拟合的较好，视该匹配被视为内点；否则为外点。

注意每次迭代需要更新上述残差/置信度以及内点，后一次利用前一次得到的内点去拟合新的仿射矩阵，然后做校验，直至达到最大迭代次数，最后输出内点。

实验

看到没，竟然超过了效果极好的GMS。

实时性：在RTX2080Ti平台下处理4000-8000个点耗时15-25ms。

借鉴意义

本文提出了一种高效快速的外点滤除算法，可加入到任何特征匹配算法中，预期能够提高位姿解算的精度。但上述实验结果中对GPU的要求较高，目前不清楚在低配版GPU或者在CPU平台下的表现。

附录

1. Paper: AdaLAM: Revisiting Handcrafted Outlier Detection