SuperGlue：基于图神经网络的特征匹配技术解析

在计算机视觉领域，特征匹配是三维重建、SLAM（同步定位与地图构建）等任务的核心环节。SuperGlue 作为一种创新性的神经网络模型，通过结合图神经网络与注意力机制，实现了对两组局部特征的高效匹配，同时能有效剔除不可匹配的点。

一、核心定位：连接前端与后端的 "中间层"

传统的特征匹配流程通常分为前端特征提取与后端姿态估计，而 SuperGlue 创新性地提出了 "可学习中间层" 的概念：

前端：由特征检测器（如 SuperPoint）负责提取图像的局部特征（关键点位置与视觉描述符）

中间层：SuperGlue 接收前端输出的特征，通过图神经网络与注意力机制建立特征间的对应关系

后端：利用匹配结果进行姿态估计或光束平差等优化操作

这种架构设计打破了传统匹配中依赖人工设计启发式规则的局限，通过端到端训练学习 3D 世界的几何变换先验，大幅提升了复杂场景下的匹配鲁棒性。

二、输入特征的处理：融合位置与外观信息

SuperGlue 的输入包含两组图像的局部特征，每组特征由关键点位置