超越时空先验：一种用于稠密对应匹配的可泛化方法
Beyond Spatio-Temporal Priors: A Generalizable Approach for Dense Correspondence Matching
精选理由
提出突破时空先验的稠密匹配框架，提升编辑生成中的身份保持与评估能力。
AI 摘要
arXiv:2610.12421v1 公告类型：cross 摘要：稠密对应匹配长期以来受限于简化的时空先验，例如平滑运动和刚性几何。尽管这些假设对经典任务十分有效，但在图像编辑和参考引导生成（IEG）中却会失效，因为这类变换能够保持视觉身份，同时打破物理连续性。为了在此类变换中建立保持身份的对应关系，我们提出了 FreeMatching，这是一种可泛化的框架，将生成式和语义基础表征与来自经典数据集、跟踪视频和合成场景的异构监督相结合。教师引导的迭代细化进一步提升了 FreeMatching 在 IEG 中的对应关系效果，且无需稠密对应标注。在实验中，单个 FreeMatching 模型显著提升了具有挑战性的 IEG 图像对上的对应质量，同时在经典基准测试中保持了有竞争力的性能。此外，我们还展示了其作为评估身份保持程度的定量指标的实用性，其得分与人类判断具有较高相关性。代码可在 https://github.com/luping-liu/FreeMatching 获取。