# 2023年底論文推薦 -- 影像匹配
作為碩士畢業的一年讀了比以前多一點論文，作為紀錄，寫一下幾個印象比較深刻的論文，雖然基本都是在畢業後才讀的：

## 1. LightGlue：Local Feature Matching at Light Speed
https://github.com/cvg/LightGlue

SuperPoint SuperGlue團隊續作，一篇第一次看覺得雞肋但越看越順眼的論文。
在原有的SuperGlue架構上進行改進，效能陸陸續續提高不少，有望重回巔峰。遺憾的是並沒有提出對SP的改動，只是增加了對DISK以及其他特徵萃取模型的支援。
雖然開出了源代碼以及訓練代碼，但是在SG提出的兩年後、ETE佔據CVPR大頭的情況下，沒有對描述子進行改進可能很難繼續維持巔峰

值得注意，在LG被提出後，SP的權重被更新了，實測更新過的權重在SG的訓練上可以取得更好的成果，因此如果在此之前套用舊版SP權重的模型，如：SGMNet，OpenGlue，直接進行比較可能會錯估模型效能。

## 2. R2D2: Repeatable and Reliable Detector and Descriptor
LINE公司提的一篇論文，沒有細看(因為用詞有點難讀)，但被提及次數特別高，大部分用來佐證2階段訓練的合理性。

大概的意思是：detector跟descriptor要放在一起訓練才有辦法得到有鑑別度的特徵。

舉例：磁磚上的花紋雖然有可以被偵測，但因為出現的次數太多根本分不出來誰是誰，所以雖然是可以視為特徵但可信度不高，為了確保detector模型得到的特徵是有可靠性的，可以反映周邊訊息的descriptior是必須一起存在的。

## 3. DISK: Learning local features with policy gradient
某個功能比較強的DETECTOR，主要看理論，但未來被取代機率高。

## 4. HarrisZ: Harris Corner Selection for Next-Gen Image Matching Pipelines
喜文樂見的小波好朋友，在此重新證明descriptior訓練才是影像匹配跨不過的坎。

## 5. D2-Net: A Trainable CNN for Joint Detection and Description of Local Features
是製作megaDepth訓練資料的方法。同時推薦MegaDepth與GL3d的論文，但這兩者主要貢獻是製作大規模的3D重建模型，目的是提供相關訓練製作training data，論文本身不是重點就只順帶提一下。

##
---
放鴿分水嶺，接下來說一些沒有直接相關但是值得一說的部份

## 6. NetVLAD: CNN architecture for weakly supervised place recognition
比較老牌的detector，在觀念上的意義大於數據。

## 7. A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND BEYOND
YOLO體系的概論，因為今年出了v7 v8，因此有可以看到有綜合討論性質的論文，雖然不是創新類的，但非常值得當作課本學習。