davnords/LoMa

LoMa は 局所特徴マッチャー のファミリーです — 同じシーンの2枚の画像間で対応する点を見つけるアルゴリズムです。LightGlue や RoMa などの既存のマッチャーのより高速でより強靭な代替手段として設計されています。

何ができるか： 2枚の画像（たとえば、異なる角度から撮影された建物の写真）を入力すると、LoMa はそれぞれの画像内のどのピクセルが世界の同じ物理的な点に対応しているかを特定します。これは 3D 再構成（SfM）、視覚的局所化、ロボットナビゲーションの基本的な構成要素です。

主な特徴：

• 高速性 + 高精度： LightGlue ほど高速ですが、はるかに強靭で正確であり、ベンチマークでは重い RoMa さえも上回ります。
• ドロップイン置換： 局所キーポイント記述子を使用しているため、SfM や視覚的局所化パイプライン内の既存のマッチャーを変更せずに置き換えることができます。
• 複数のモデルサイズ： LoMa-B（LightGlue と同じサイズ）、LoMa-B128、LoMaL、LoMa-G（ heavier でより正確） — ユーザーが速度と精度のトレードオフを選べます。
• 回転不変性： 画像の回転に対応するバージョンがあり、実世界のマッチングにおける一般的な課題に対処します。

使い方： Python API がシンプルです — 事前学習済みモデル（LoMaB()）をロードして画像ペアに適用するだけです。リポジトリにはデモスクリプトと事前学習済み重みが含まれています。

出典： シューティング、リンコピング、アムステルダム、ルンド大学による学術研究。ECCV 2026（メイン）および CVPR 2026 ウォークスホップ（回転不変性）に論文が掲載されています。