近日，我校计算机与信息学院陈日清教授团队在IEEE Transactions on Image Processing国际期刊（中国计算机学会推荐CCF A 类，中科院一区，SCI影响因子IF=11.04，DOI：10.1109/TIP.2023.3242598）在线发表题为“PGFNet: Preference-Guided Filtering Network for Two-View Correspondence Learning”的研究论文。此项研究提出了一种偏好引导过滤网络（简称PGFNet）去显式地减轻大量错误匹配对于深度神经网络学习的负面影响，从而获得更准确的特征匹配结果。实验表明，本研究所提出的 PGFNet 在公开数据集的误匹配移除和相机姿态估计任务等方面具有明显的优势。
精准匹配选择是在给定的初始特征匹配集合中寻找正确的特征匹配，为后续的计算机视觉与人工智能领域应用提供基础性支撑，如图像配准、三维重建、闭环检测、图像拼接、三维目标识别等，具有重要的现实意义。
初始特征匹配集合中通常包含大量错误匹配，它们会严重地阻碍神经网络捕获准确和充分的上下文信息，从而影响后续基于特征匹配任务的实施。然而先前方法使用基于多层感知器操作或注意力机制的方法很难避免大量错误匹配对网络学习的影响。因此，PGFNet设计了一种迭代过滤的网络结构，通过学习匹配的偏好分数（作为正确匹配的可能性）去渐进地提取更可靠的候选匹配用于后续网络学习，如图1所示。同时，PGFNet提出了一个简单但有效地网络骨干结构（分组残差注意力块，如图2所示），通过一系列新的操作去提升偏好分数的可靠性，从而获得更好的网络性能。
图1：PGFNet的迭代过滤的结构图
图2：分组残差注意力块结构示意图
福建农林大学计算机科学与信息学院2019级硕士研究生刘鑫为论文的第一作者，陈日清教授和闽江学院肖国宝教授为该论文的通讯作者。武汉大学马佳义教授也为本研究成果作出重要贡献。该研究得到了国家自然科学基金项目（62072223、61972093）等资助。
论文链接：https://ieeexplore.ieee.org/document/10041834