MatcherCompass: A Deployment-Aware Benchmark to Guide Image Matcher Selection in the Wild
Hyunwoo Kim, Giseop Kim
cs.RO
2026-09-22
DGIST的MatcherCompass在4种视觉条件、4块GPU上横评9种匹配管线。同一配置从工作站换到Orin Nano会跨过20/50/100毫秒预算，RGB排行也不能直接搬到热成像。
野外机器人要在白天、夜间、可见光和热成像之间找对应点，还得卡在机载算力、显存和功耗里。公开论文通常只报一种方法、一块卡、一组分辨率上的精度和耗时。工程师没法据此判断：换到 Jetson 还跑不跑得动，把输入从 512 提到 1024 会不会把显存打爆，FP16 能不能把 65 毫秒压进 50 毫秒预算。
HPatches、RUBIK 管几何难度，Image Matching WebUI 方便试匹配，都不把条件精度和目标硬件上的耗时、显存、能量绑在同一套配置网格里。MatcherCompass 要补的就是这张选型表。
DGIST 的 Hyunwoo Kim 和 Giseop Kim 把选型拆成三件事：统一评测、测成本、按预算筛。
九条管线覆盖经典稀疏（ORB CUDA、SIFT GPU）、学习稀疏（SuperPoint+SuperGlue、SuperPoint+LightGlue）、半稠密（LoFTR、ELoFTR、MatchAnything 的 ELoFTR 变体）和稠密（DKM、MASt3R）。输入最长边取 128/256/512/1024 像素；学习方法测 FP32、混合精度、FP16，经典方法走 Native。每项任务约 84 组配置。
四项视觉任务：RUBIK 上的可见光视角和尺度变化，以及 STheReO Valley 日夜段上的可见光日夜、热成像日夜、白天可见光-热成像跨模态。每项 100 对图评精度，4 对图测资源。精度沿 SuperGlue 协议：相对位姿误差取旋转角和位移方向角的较大者，报 5°/10°/20° 的 AUC（0–100 分）。失败位姿记无穷大误差。
四块卡：RTX 5070 Ti、RTX 5060 Ti、Jetson AGX Thor、Jetson Orin Nano。耗时从 matcher 调用到对应点返回并 GPU 同步，不含读图、加载模型和位姿解算。显存是预热后进程 CUDA 峰值。能量是功率积分除以完成次数，不扣空闲功耗。网页 GUI 按用户给的视觉条件、平台和时延上限，返回所有实测过关的配置及其精度。
RGB 上的第一名换条件就掉队。RUBIK、512 像素、FP32 下，MASt3R 的 AUC@10° 是 74.5%；提到 1024 像素反而掉到 28.8%，ELoFTR、MatchAnything、DKM 则上升。可见光日夜在 512 像素时，九种方法 AUC@10° 全部不超过 10%。热成像日夜：SuperPoint+SuperGlue 23.9%，DKM 20.1%，MASt3R 只有 3.1%。白天可见光-热成像：ELoFTR 从 512 像素的 26.6% 掉到 1024 的 6.7%，MatchAnything 从 10.1% 升到 22.9%。对应点变多也不等于位姿更好。
同一配置换板卡会跨过预算线。RUBIK 512 像素下 SuperPoint+LightGlue FP32：5070 Ti 12.2 ms、5060 Ti 18.3 ms、Thor 57.2 ms、Orin Nano 113.3 ms。Thor 上 SuperPoint+SuperGlue 从 FP32 的 65.7 ms 切到 FP16 变成 20.9 ms（-68%），峰值显存 -65%、能量 -73%，AUC 相对 FP32 的最大绝对变化是 4.42 个百分点。Orin Nano、1024 像素上 ELoFTR 和 MatchAnything 在 FP32/MP 会 OOM，FP16 能跑，峰值约 4.29 和 4.33 GiB。
| 方法 | 平台 | 512 px 耗时 |
| SuperPoint+LightGlue FP32 | RTX 5070 Ti | 12.2 ms |
| 同上 | Jetson AGX Thor | 57.2 ms |
| 同上 | Orin Nano | 113.3 ms |
| SuperPoint+SuperGlue FP16 | Thor | 20.9 ms（相对 FP32 -68%） |
| DKM FP32 | 5070 Ti | 651.9 ms，13.44 GiB |
DKM 在 5070 Ti 上要 13.44 GiB、163.46 J，分别是 SuperPoint+SuperGlue（0.330 GiB、3.00 J）的 40.7 倍和 54.4 倍；Orin Nano 上直接 OOM。MASt3R 从 512 提到 1024，能量从 44.21 J 涨到 330.60 J。Thor 上 20 ms 预算只剩 Native ORB 和 SuperPoint+LightGlue FP16。
这是一张给外场机器人用的选型表，不是新匹配器。部署时要同时看视觉条件、分辨率、精度和板卡，RGB 排行不能直接搬到热成像。FP16 在这篇设定里多数能换来大延迟折扣、精度损失有限，但 LoFTR 的峰值显存几乎不动（变化不到 1%），省时不等于省显存。网页把满足预算的全部配置摊开，避免只看平均值就拍板。
精度只在 5070 Ti 上评，其他板卡只搬运行时，默认精度跨硬件不变。资源中位数来自每任务 4 对图，能量口径也不统一：RTX 报 GPU 板级功耗，Thor 报 GPU 轨，Orin Nano 报 CPU+GPU+CV 合轨。RUBIK 只手选了 33 档里的 11 档。匹配设置全平台锁死，没有针对热成像再训。报的是 matcher 调用，不是完整 SLAM 周期。