G3AR: Graph-Guided Neural Visual Geometry for Scalable Multi-Sequence Aerial Registration
作者: Jeng Wen Joshua Lean, Ting-Yu Yen, Wei-Fang Sun, Simon See, Hung-Kuo Chu, Shih-Hsuan Hung
分类: cs.CV
发布日期: 2026-09-15
备注: 6 pages, 4 figures, 8 tables. Accepted to SIGGRAPH Asia 2026 Technical Communications
💡 一句话要点
提出G3AR框架以解决多序列航拍图像配准问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 航拍图像配准 神经视觉几何 图引导框架 三维相似性变换 多序列处理
📋 核心要点
- 现有的全局上下文神经视觉几何方法在处理大量图像时效率低下，且序列分块方法无法有效捕捉多序列航拍图像中的复杂重叠关系。
- G3AR框架通过构建几何验证的图像邻近图，指导重叠块的处理，并利用最大生成树定义对齐拓扑，从而实现高效的图像配准。
- 在四个真实航拍场景的实验中，G3AR显著降低了姿态误差和运行时间，其DA3变体在所有评估的神经几何方法中表现最佳。
📝 摘要（中文）
全局上下文神经视觉几何在处理成千上万张图像时不够实用，而基于序列的分块方法无法有效捕捉多序列航拍图像中的不规则非局部重叠。本文提出了图引导的神经视觉几何框架G3AR，旨在实现可扩展的密集神经几何。在局部推理之前，G3AR构建了一个几何验证的图像邻近图，指导重叠块的边界，并诱导出一个块图，其最大生成树定义了对齐拓扑。兼容的骨干网络独立处理块，随后共享图像预测估计三维相似性变换（Sim(3)），将局部相机和几何体注册到一个共同框架中。在四个真实航拍场景中，G3AR在匹配VGGT和Pi3的比较中提高了姿态误差和运行时间，而其DA3变体在评估的神经几何方法中实现了最低的姿态误差。
🔬 方法详解
问题定义：本文旨在解决多序列航拍图像配准中的效率和准确性问题。现有方法在处理大量图像时面临性能瓶颈，且无法有效处理复杂的图像重叠关系。
核心思路：G3AR框架的核心思路是通过构建图像邻近图来引导图像块的处理，从而在局部推理中实现更高效的几何配准。该设计允许在处理过程中保持图像间的几何关系。
技术框架：G3AR的整体架构包括图像邻近图的构建、重叠块的处理和三维相似性变换的估计。首先，构建几何验证的图像邻近图，然后通过兼容的骨干网络独立处理图像块，最后共享图像预测以实现全局对齐。
关键创新：G3AR的主要创新在于引入了图引导的框架，通过最大生成树定义对齐拓扑，显著提高了配准的效率和准确性。这与传统方法的处理方式有本质区别。
关键设计：在设计中，G3AR采用了几何验证的图像邻近图，使用了特定的损失函数来优化三维相似性变换，并通过共享图像预测来增强模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
在四个真实航拍场景的实验中，G3AR显著提高了姿态精度和运行效率，其DA3变体在所有评估的神经几何方法中实现了最低的姿态误差，展现出优越的性能提升。
🎯 应用场景
G3AR框架在无人机航拍、地理信息系统和城市规划等领域具有广泛的应用潜力。通过提高多序列图像的配准效率和准确性，该研究能够支持更复杂的视觉分析和决策制定，推动相关领域的发展。
📄 摘要（原文）
Full-context neural visual geometry is impractical for thousands of images, while sequence-based chunking poorly captures irregular non-local overlap in multi-sequence aerial collections. We present Graph-Guided Neural Visual Geometry for Aerial Registration (G3AR), a graph-guided framework for scalable dense neural geometry. Before local inference, G3AR builds a geometrically verified image-proximity graph that guides bounded overlapping chunks and induces a chunk graph whose maximum spanning tree defines alignment topology. Compatible backbones process chunks independently; shared-image predictions then estimate three-dimensional similarity (Sim(3)) transforms that register local cameras and geometry in a common frame. Across four real aerial scenes, G3AR improves pose error and runtime in matched VGGT- and Pi3-backed comparisons, while its DA3 variant achieves the lowest pose error among evaluated neural-geometry methods.