XFeat 轻量级图像匹配CPU 实时跑的 CVPR 2024 特征提取方案【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局部特征匹配里快和稳往往是一对矛盾SuperPoint 精度够但 CPU 上跑不动SIFT、ORB 够快镜头一甩、光照一变就崩。XFeatCVPR 2024想同时满足两边——纯 CPU 就能在 VGA 分辨率下实时提取特征配准精度对标 SuperPoint适合移动机器人、AR、嵌入式这类算力受限的场景。检测与描述解耦速度从架构里省出来XFeat 的输出是三个关键点热图、64 维稠密描述符图、可靠性热图。它的两个设计直接换来速度早期降采样 浅层卷积先把分辨率降下来再算通道数压得很低后面才逐步加深——算力花在该花的地方关键点检测走独立分支用 8×8 块变换后的特征上做 1×1 卷积检测与描述互不依赖、可分开跑。说白了你只想要关键点时不用为描述符买单。架构细节在 modules/xfeat.py模型定义和detectAndCompute、match_xfeat都在这里。从 clone 到第一组匹配点依赖极轻核心只要 PyTorch≥1.10实时推理不需要 GPUgit clone https://gitcode.com/GitHub_Trending/ac/accelerated_features cd accelerated_features pip install torch最小示例就三行top_k4096控制保留多少关键点from modules.xfeat import XFeat xfeat XFeat() # 自动下载预训练权重 out xfeat.detectAndCompute(torch.randn(1,3,480,640), top_k4096)[0] print(out[keypoints].shape, out[descriptors].shape)完整脚本见 minimal_example.py里面还带 VGA 分辨率的 100 次压测和批量推理。直接python3 minimal_example.py跑一遍CPU 上体感就是实时。两张项目自带的图做匹配效果长这样——砖墙背景 大幅视角变化特征点照样锁得住和 SIFT、ORB、SuperPoint 站在一起先给结论在精度不掉队的前提下XFeat 比现有深度学习局部特征快最多 5 倍对视角和光照变化的鲁棒性明显优于 SIFT/ORB。几个关键数字笔记本 i5 纯 CPUVGA 分辨率稀疏推理实时论文实测无专门优化单张 GPU 推理VGA150 FPSRTX 4090 批量模式约 1400 FPS描述符只有 64 维模型结构全是基础算子方便往 Jetson、树莓派这类设备搬。接下来去哪完整匹配流程notebooks/xfeat_matching.ipynb含图像匹配与单应性配准半稠密匹配换用match_xfeat_star见 modules/xfeat.py配合粗描述符做匹配精化下游定位类任务更吃香换更强的匹配器仓库里训练了 LighterGlue比 LightGlue 快约 3 倍组合示例在 notebooks/xfeatlg_torch_hub.ipynb想复现训练notebooks/XFeat_training_example.ipynb 有合成数据版训练流程。从三行代码到实时演示脚本 realtime_demo.py支持 XFeat/SIFT/ORB 切换对比这条路径够你把它嵌进自己的 pipeline 了。【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 XFeat 轻量级图像匹配：CPU 实时跑的 CVPR 2024 特征提取方案
XFeat 轻量级图像匹配CPU 实时跑的 CVPR 2024 特征提取方案【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局部特征匹配里快和稳往往是一对矛盾SuperPoint 精度够但 CPU 上跑不动SIFT、ORB 够快镜头一甩、光照一变就崩。XFeatCVPR 2024想同时满足两边——纯 CPU 就能在 VGA 分辨率下实时提取特征配准精度对标 SuperPoint适合移动机器人、AR、嵌入式这类算力受限的场景。检测与描述解耦速度从架构里省出来XFeat 的输出是三个关键点热图、64 维稠密描述符图、可靠性热图。它的两个设计直接换来速度早期降采样 浅层卷积先把分辨率降下来再算通道数压得很低后面才逐步加深——算力花在该花的地方关键点检测走独立分支用 8×8 块变换后的特征上做 1×1 卷积检测与描述互不依赖、可分开跑。说白了你只想要关键点时不用为描述符买单。架构细节在 modules/xfeat.py模型定义和detectAndCompute、match_xfeat都在这里。从 clone 到第一组匹配点依赖极轻核心只要 PyTorch≥1.10实时推理不需要 GPUgit clone https://gitcode.com/GitHub_Trending/ac/accelerated_features cd accelerated_features pip install torch最小示例就三行top_k4096控制保留多少关键点from modules.xfeat import XFeat xfeat XFeat() # 自动下载预训练权重 out xfeat.detectAndCompute(torch.randn(1,3,480,640), top_k4096)[0] print(out[keypoints].shape, out[descriptors].shape)完整脚本见 minimal_example.py里面还带 VGA 分辨率的 100 次压测和批量推理。直接python3 minimal_example.py跑一遍CPU 上体感就是实时。两张项目自带的图做匹配效果长这样——砖墙背景 大幅视角变化特征点照样锁得住和 SIFT、ORB、SuperPoint 站在一起先给结论在精度不掉队的前提下XFeat 比现有深度学习局部特征快最多 5 倍对视角和光照变化的鲁棒性明显优于 SIFT/ORB。几个关键数字笔记本 i5 纯 CPUVGA 分辨率稀疏推理实时论文实测无专门优化单张 GPU 推理VGA150 FPSRTX 4090 批量模式约 1400 FPS描述符只有 64 维模型结构全是基础算子方便往 Jetson、树莓派这类设备搬。接下来去哪完整匹配流程notebooks/xfeat_matching.ipynb含图像匹配与单应性配准半稠密匹配换用match_xfeat_star见 modules/xfeat.py配合粗描述符做匹配精化下游定位类任务更吃香换更强的匹配器仓库里训练了 LighterGlue比 LightGlue 快约 3 倍组合示例在 notebooks/xfeatlg_torch_hub.ipynb想复现训练notebooks/XFeat_training_example.ipynb 有合成数据版训练流程。从三行代码到实时演示脚本 realtime_demo.py支持 XFeat/SIFT/ORB 切换对比这条路径够你把它嵌进自己的 pipeline 了。【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