SuperGlue: Learning Feature Matching with Graph Neural Networks
個人感受：
這個是繼SuperPoint 後該組又一次推進，感覺效果更加強了，如果superpoint只是在嘗試學習傳統方法的流程，LFNet end-to-end training就在benchmark上超越了SIFT，近來CVPR19的D2Net 就直接跳出了傳統方法的檢測範式，但是特徵點定位還不夠精確，那麼 R2D2 ASLFeat真的就看不出深度學習還有啥不足（精確，泛化，魯棒等等…… 要說也就除了速度吧，不過SIFT本身也很慢不能用在SLAM中，用在重建等速度不敏感的地方似乎也沒啥必要性）。
現在看到的這個工作，就像文中說的“We believe that, when combined with a deep front-end, SuperGlue is a major milestone towards end-to-end deep SLAM.”，之前工作無論怎麼樣都還是在生成描述比較距離然後進行匹配，深度學習就是在模擬matching前的步驟，這個工作直接超越這個工作流程，將local feature後的matching步驟也包含進去，得到了更高的精度和魯棒性（RANSAC、Voting）。個人感覺這種比直接兩張圖輸出位姿的方法更可以被解釋，而且泛化性更好，從這裏開始做end-to-end slam道路更加平坦，現有很多直接去做end-to-end slam的工作都只能運行個數據集的程度。而且這種工作故事更好，之前這個領域做深度學習總感覺：“何必費這麼大勁學一個傳統方法的替代品？”總是覺得動機不夠，難以實際應用，但是這個把matching步驟也學習了，而且效果又全面超越了，這樣就有使用深度學習的動機了吧。
我先去Hpatch benchmark測試下吧，論文裏找到想要的數據。
