XFeat 五分钟拿到匹配结果轻量级图像特征提取快速上手指南【免费下载链接】accelerated_featuresImplementation of XFeat (CVPR 2024). Do you need robust and fast local feature extraction? You are in the right place!项目地址: https://gitcode.com/GitHub_Trending/ac/accelerated_features两幅同一场景、不同角度的照片老是配不准AR 和视觉定位又嫌传统匹配太慢XFeataccelerated_features 仓库CVPR 2024 论文官方实现就是一个轻量级局部特征提取与图像匹配工具——三行代码跑起来纯 CPU 上就能实时做稀疏匹配。两个分支看懂 XFeat 找点、描点的方式图XFeat 架构。Keypoint Head 输出关键点热图 KDescriptor Head 输出 64 维描述子图 F 与置信度图 R两个分支可独立计算XFeat 把找点和描点拆成了两个分支检测器先把图像折成 8×8 的块再做 1×1 卷积所以特别省算力描述器则用浅层前端加深层后端保证鲁棒性。这种拆法让它在一台普通笔记本的 CPU 上就能实时跑。三条命令装好五行代码出结果克隆并安装依赖很轻除了 torch 就是 kornia、tqdm 等几个小包git clone https://gitcode.com/GitHub_Trending/ac/accelerated_features cd accelerated_features pip install -r requirements.txt先跑现成的python3 minimal_example.py终端会依次打印单图关键点、描述子、分数的形状如 (N, 2)、(N, 64)、(N,)然后是 100 次 VGA 压测、批量推理最后输出稀疏与半稠密两种匹配结果。想接进自己的代码五行就够import torch from modules.xfeat import XFeat xfeat XFeat() out xfeat.detectAndCompute(torch.randn(1,3,480,640), top_k4096)[0] print(out[keypoints].shape, out[descriptors].shape)✅ 你会看到最多 4096 个特征点的坐标输出实际 N 取决于置信度筛选随机张量只是热身换成真实照片就是下面这步。看到绿线就说明匹配成功了把仓库自带的 assets/ref.png素描和 assets/tgt.png贴砖墙上的同一张素描传入mkpts_0, mkpts_1 xfeat.match_xfeat(im1, im2)拿到的就是两组 (N, 2) 坐标直接连线即可可视化。图真实照片的匹配效果。三组图像展示不同视角、不同距离下的特征匹配绿线XFeat行用的是半稠密匹配模式*最常调的三个参数参数默认值调整位置作用top_k4096detectAndCompute/match_xfeat保留前 k 个特征越大点数越多detection_threshold0.05XFeat()构造时关键点置信度阈值越高点越少但更稳min_cossim-1match_xfeat余弦相似度下限越大匹配筛得越严值得用吗看数字 ⚡图ScanNetVGA 与 MegaDepth1200px 上位姿精度y 轴10°对每秒帧数x 轴的对比两个官方口径。速度XFeat 比现有深度学习局部特征最多快 5 倍VGA 分辨率单张 GPU 推理超 150 FPSRTX 4090 上批量推理约 1400 FPS。精度MegaDepth-1500 基准上XFeatLighterGlue 在 Fast 配置640p、1300 点的 AUC10 为 0.746与官方 SuperPointLightGlue 配置0.762差距仅 0.016而整套流水线明显更轻。值得继续挖的三个方向realtime_demo.py实时匹配单应演示python3 realtime_demo.py --method XFeat启动需要摄像头按 s 设定参考图。notebooks/xfeat_matching.ipynb用仓库示例图走一遍匹配与配准的完整流程。notebooks/XFeat_training_example.ipynb用合成数据复现论文中的训练过程。XFeat 的学习成本很低今天就能替换掉你管线里的 SIFT 或 ORB。找一对自己的照片跑一遍match_xfeat一分钟就能确认它适不适合你的场景。【免费下载链接】accelerated_featuresImplementation of XFeat (CVPR 2024). Do you need robust and fast local feature extraction? You are in the right place!项目地址: https://gitcode.com/GitHub_Trending/ac/accelerated_features创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
