SuperGlue: Learning Feature Matching with Graph Neural Networks
个人感受：
这个是继SuperPoint 后该组又一次推进，感觉效果更加强了，如果superpoint只是在尝试学习传统方法的流程，LFNet end-to-end training就在benchmark上超越了SIFT，近来CVPR19的D2Net 就直接跳出了传统方法的检测范式，但是特征点定位还不够精确，那么 R2D2 ASLFeat真的就看不出深度学习还有啥不足（精确，泛化，鲁棒等等…… 要说也就除了速度吧，不过SIFT本身也很慢不能用在SLAM中，用在重建等速度不敏感的地方似乎也没啥必要性）。
现在看到的这个工作，就像文中说的“We believe that, when combined with a deep front-end, SuperGlue is a major mile�stone towards end-to-end deep SLAM.”，之前工作无论怎么样都还是在生成描述比较距离然后进行匹配，深度学习就是在模拟matching前的步骤，这个工作直接超越这个工作流程，将local feature后的matching步骤也包含进去，得到了更高的精度和鲁棒性（RANSAC、Voting）。个人感觉这种比直接两张图输出位姿的方法更可以被解释，而且泛化性更好，从这里开始做end-to-end slam道路更加平坦，现有很多直接去做end-to-end slam的工作都只能运行个数据集的程度。而且这种工作故事更好，之前这个领域做深度学习总感觉：“何必费这么大劲学一个传统方法的替代品？”总是觉得动机不够，难以实际应用，但是这个把matching步骤也学习了，而且效果又全面超越了，这样就有使用深度学习的动机了吧。
我先去Hpatch benchmark测试下吧，论文里找到想要的数据。
