RANSAC

답변

Brute-force matching만 사용했을 때보다 RANSAC을 적용한 뒤 outlier가 줄었고, 눈과 귀 주변처럼 유사한 위치에 대응점이 모였습니다. 완벽한 대응이라고 보기는 어렵지만, RANSAC을 통해 이상치가 줄었다는 점에 의미를 두었습니다.

추가 확인 ✔️

이후 원인을 다시 살펴보니 RANSAC보다 입력 데이터 구성이 문제에 가까웠다. Local feature matching은 동일한 사물이나 랜드마크를 서로 다른 시점에서 촬영한 이미지 쌍에 적용해야 안정적인데, 당시에는 같은 고양이 클래스에 속하지만 서로 다른 개체의 이미지를 사용했다. 동일한 대상을 담은 이미지로 데이터를 교체한 뒤에는 의도한 매칭 결과를 확인할 수 있었다.

답변

실험에 사용한 이미지는 제가 직접 찾았고, 구현 코드는 관련 블로그의 예제를 참고해 구성했습니다.

답변

먼저 두 이미지에서 특징점과 초기 매칭 쌍을 구합니다. 그중 일부 대응점을 무작위로 샘플링해 homography matrix를 추정하고, 이 변환을 전체 매칭에 적용한 뒤 reprojection error를 기준으로 inlier를 판별합니다. 이 과정을 정해진 반복 횟수나 early stopping 조건에 도달할 때까지 반복하고, 가장 큰 consensus를 만드는 모델과 inlier 집합을 최종 결과로 선택합니다.