고정된 주변만 읽지 않기
물체가 다른 방향에서 보이면 같은 부분의 주변 구조도 변형되어 나타날 수 있다. ALIKED는 각 관심점을 지원하는 특징의 위치를 학습해 유연하게 정보를 모은다. 모든 영상 변환에 대해 완전한 불변성을 보장한다는 뜻은 아니다.
지원 위치의 예
관심점이 (10,10)이고 지원 오프셋을 (−1,0), (1,0)으로 정하면 두 위치는 (9,10), (11,10)이다. 오프셋을 학습해 바꾸면 정보를 모으는 위치도 달라진다. 이는 위치 선택의 의미를 설명하는 예이며 실제 오프셋 수나 모델 설정은 아니다.
희소 기술자의 계산
영상의 모든 위치에 기술자를 계산하면 쓰지 않는 위치에도 비용이 든다. SDDH는 선택된 희소 관심점에서 기술자를 추출한다. 다만 앞단의 영상 특징 계산까지 사라지는 것은 아니므로 관심점 수의 감소율을 전체 연산 절감률로 그대로 볼 수 없다.
학습과 적용
희소 기술자를 학습할 수 있도록 신경 재투영 오차 손실도 희소 형태로 다룬다. 평가에서는 추출 속도와 기술자의 대응 정확도를 함께 비교한다. 경량이라는 표현만으로 모든 장치에서 같은 지연을 기대하지 않으며 영상 크기와 관심점 수, 후속 매칭 비용도 확인한다.
관련 문서
SuperPoint / DISK 특징 학습 / R2D2 특징 추출 / D2-Net / LightGlue / SuperGlue