https://wiki.conaondaapps.com/index.php?action=history&feed=atom&title=EfficientLoFTR 2026-08-20T11:23:45Z 이 문서의 편집 역사 MediaWiki 1.46.0 https://wiki.conaondaapps.com/index.php?title=EfficientLoFTR&diff=17&oldid=prev 2026-08-20T04:18:31Z

<p>migrate: import legacy Wiki content to Vultr</p> <p><b>새 문서</b></p><div>&#039;&#039;&#039;EfficientLoFTR&#039;&#039;&#039;는 LoFTR의 detector-free matching 성능을 유지하면서 연산량을 줄이고 semi-dense correspondence를 빠르게 생성하도록 설계된 CVPR 2024 matcher다. Cross-modal 전용은 아니지만 제품화 benchmark의 속도 기준점으로 중요하다.<br /> <br /> == 개요 ==<br /> <br /> Aggregated attention과 adaptive token selection을 도입하고 fine correlation을 개선했다. 논문은 LoFTR 대비 약 2.5배 빠른 결과를 보고한다. 공식 zju3dv/EfficientLoFTR 저장소는 Apache-2.0 라이선스를 표시하며 pretrained model과 재현 스크립트를 제공한다.<br /> <br /> == 핵심 구조 ==<br /> <br /> Semi-dense matching은 sparse feature보다 많은 correspondence를 주면서 완전 dense warp보다 계산을 줄이는 중간 지점이다. 입력 크기, token 수, coarse/fine 단계별 GPU memory를 profile해 실시간 또는 batch 요구와 맞춰야 한다.<br /> <br /> == 활용 ==<br /> <br /> EO↔EO baseline, EO↔Drone, 사전 변환된 cross-modal 영상의 후단 matcher로 사용할 수 있다. [[MINIMA]]-EfficientLoFTR나 MatchAnything과 비교하면 동일 계열 backbone에 multimodal pretraining을 추가한 효과를 분석하기 좋다.<br /> <br /> == 한계 및 주의점 ==<br /> <br /> 기본 pretrained model이 EO↔SAR나 Map↔SAR에서 바로 좋은 결과를 보장하지 않는다. 속도 비교는 동일 GPU, 입력 크기, precision, warm-up 조건에서 해야 하며 TensorRT·[[ONNX]] 변환 시 수치 차이도 별도 검증한다.<br /> <br /> == 함께 보기 ==<br /> * [[Cross-Modal Image Matching 기술 지도]]<br /> * [[XoFTR]]<br /> * [[MatchAnything]]<br /> * [[Cross-Modal Matching 벤치마크]]<br /> <br /> == 출처 ==<br /> * [https://github.com/zju3dv/EfficientLoFTR EfficientLoFTR 공식 GitHub]<br /> * [https://openaccess.thecvf.com/content/CVPR2024/html/Wang_Efficient_LoFTR_Semi-Dense_Local_Feature_Matching_with_Sparse-Like_Speed_CVPR_2024_paper.html CVPR 2024]<br /> <br /> [[분류:Cross-Modal Image Matching]]<br /> [[분류:Feature Matching]]</div>

Admina7ec671ac513