计算机视觉与深度学习 ｜ 2024年至2025年图像匹配算法总结（原理，公式，代码，开源链接）
图像匹配算法
- 一、核心算法分类与技术路线
- 1. **传统局部特征 + 匹配优化**（鲁棒性强，适合资源受限场景）
- 2. **端到端密集匹配网络**（高精度，适合复杂形变/弱纹理）
- 3. **基于光流思想的匹配网络**
- 4. **2024-2025年新趋势**
- 二、核心开源工具库汇总
- 三、典型代码流程（以LoFTR为例）
- 四、选择建议
- 以下是2024-2025年图像匹配算法的主要进展总结，涵盖原理、核心公式、代码实现和开源链接。该领域正快速向深度学习端到端匹配和Transformer架构演进。
一、核心算法分类与技术路线
1. 传统局部特征 + 匹配优化（鲁棒性强，适合资源受限场景）
- 代表算法：SuperPoint (特征点) + SuperGlue (匹配层)
- 原理：
- SuperPoint：CNN自监督训练，输出特征点位置 + 描述子。
- SuperGlue：图神经网络（GNN）建模特征点间关系，解决匹配为最优传输问题（Sinkhorn算法）。
- 关键公式：
- 最优传输代价矩阵：
- 最优传输代价矩阵：