摘要
无人机视觉导航在很大程度上依赖于无人机获取的航空图像与现有卫星参考地图之间的精准图像匹配。然而，由于时间、辐射度、视角以及传感器等方面的巨大差异，基于传统基准数据训练的深度学习匹配算法性能会大幅下降。此外，手动标注真实对应关系成本极高。本文提出了一种结合双层元学习的半监督显著性感知图像匹配框架。我们的方法包含两个相互协作的阶段：（1）通过参数化几何合成自动生成大量粗略对应关系，从而构建一个规模约为50,000对的庞大粗略数据集，无需人工进行精细点标注，该数据集可作为特征匹配网络的主要训练数据；（2）通过专家验证对元数据进行筛选，形成包含500对的优质元数据集，这些元数据可通过双层元优化来指导显著性判断网络的训练，帮助网络识别并优先处理几何上可靠的对应关系。在所提出的RS-Hetero-50K基准测试集以及跨领域的福建山区数据集上的实验结果表明，该框架相较于LoFTR、SuperGlue和LightGlue等常见的稀疏匹配算法及无检测器匹配算法具有显著优势。完整的CNN-注意力机制与显著性感知框架实现了95.4%的匹配精度，这一数值与实验部分报告的最佳结果一致。进一步的即插即用实验也证实，所提出的显著性模块能够持续提升各类稀疏匹配算法及无检测器匹配算法的性能，这说明性能的提升既得益于更强的特征表达能力，也得益于基于显著性的对应关系选择机制。在戈壁地貌场景中，该框架的AUC@5像素值相比LoFTR基准算法提升了16.8%，这体现了其在纹理较弱的遥感环境中的更强鲁棒性。
