REDI-Match: Rotation-Equivariant Distillation for Efficient and Robust Dense Matching

📄 arXiv: 2606.24330v1 📥 PDF

作者: Yinji Ge, Guixu Zheng, Wulong Guo, Qian Feng, Xu Wu, Kai Zhou, Xinyuan Liu, Fei Xing

分类: cs.CV

发布日期: 2026-06-23

🔗 代码/项目: GITHUB

💡 一句话要点

提出REDI-Match以解决旋转不变性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱六：视频提取与匹配 (Video Extraction) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 旋转等变 特征匹配 视觉基础模型 蒸馏技术 深度学习

📋 核心要点

  1. 现有方法在处理平面内旋转时效率低下，导致特征匹配的准确性和速度受到限制。
  2. REDI-Match通过旋转等变蒸馏技术，将VFM的语义表示转化为轻量级的旋转等变编码器，从而提高匹配效率和鲁棒性。
  3. 在多个基准测试中，REDI-Match实现了显著的性能提升，尤其在SatAst数据集上表现突出，提升了13.89%的姿态精度。

📝 摘要（中文）

视觉基础模型（VFM）在密集特征匹配方面取得了显著进展，但平面内旋转仍然是一个关键挑战。现有解决方案面临一个根本性困境：数据驱动方法需要低效的参数扩展来隐式学习旋转，而严格的等变网络缺乏现代VFM的语义能力。为了解决这一架构瓶颈，本文提出了REDI-Match，一个高效的框架，采用新颖的旋转等变蒸馏（REDI）范式。REDI通过将VFM的非等变语义表示蒸馏到轻量级的严格旋转等变编码器中，利用等变几何架构来约束高维语义的鲁棒性。实验表明，REDI-Match在多个基准上建立了新的最先进水平，尤其在SatAst数据集上实现了13.89%的绝对姿态精度提升，同时比当前最先进的RoMa v2快1.9倍，能够在单个RTX 4090 GPU上实现实时推理（约41 FPS）。

🔬 方法详解

问题定义：本文旨在解决在密集特征匹配中平面内旋转带来的挑战。现有方法通常依赖于低效的参数扩展或冻结VFM，导致旋转泛化能力不足。

核心思路：REDI-Match的核心思路是通过旋转等变蒸馏技术，将VFM的非等变语义表示转化为轻量级的严格旋转等变编码器，从而提高特征匹配的效率和准确性。

技术框架：该框架主要包括两个模块：旋转等变编码器和熵驱动的空间对齐模块。编码器负责提取旋转等变特征，而空间对齐模块通过评估离散旋转假设来锁定标准坐标系，消除全局模糊性。

关键创新：REDI-Match的主要创新在于引入了旋转等变蒸馏范式，突破了传统方法的架构瓶颈，使得特征匹配在旋转情况下更加高效和准确。

关键设计：在设计中，采用了等变几何架构来约束高维语义，并通过熵驱动的空间对齐模块来优化特征的匹配过程，确保了模型的高效性与鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

REDI-Match在多个基准测试中表现出色，尤其在SatAst数据集上实现了13.89%的绝对姿态精度提升，并且在速度上比当前最先进的RoMa v2快1.9倍，能够在单个RTX 4090 GPU上实现约41 FPS的实时推理。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人视觉和增强现实等场景，能够显著提升在复杂环境下的特征匹配能力。未来，REDI-Match有望推动更多基于视觉的智能系统的发展，提升其在动态环境中的适应性和实时性。

📄 摘要（原文）

Vision Foundation Models (VFMs) have significantly advanced dense feature matching, yet severe in-plane rotation remains a critical challenge. Existing solutions face a fundamental dilemma: data-driven methods require inefficient parameter scaling to implicitly learn rotations, whereas strictly equivariant networks lack the semantic capacity of modern VFMs. Consequently, current frameworks typically freeze VFMs and shift the entire burden of rotation generalization to the downstream decoder. To break this architectural bottleneck, we propose REDI-Match, an efficient framework driven by a novel Rotation-Equivariant Distillation (REDI) paradigm. Instead of relying on rotation data augmentation to establish rotational correspondences, REDI distills the non-equivariant semantic representations of a VFM into a lightweight, strictly rotation-equivariant encoder, leveraging an equivariant geometric architecture to constrain robust high-dimensional semantics. To fully exploit these features, we equip the decoder with an entropy-driven spatial alignment module. By evaluating discrete rotation hypotheses, this mechanism explicitly locks onto the canonical coordinate system, eliminating global ambiguity before continuous refinement. Extensive experiments demonstrate that REDI-Match establishes a new state-of-the-art (SOTA) across multiple benchmarks. Notably, it achieves a 13.89% absolute pose accuracy improvement on the highly challenging SatAst dataset while operating 1.9x faster than the current SOTA (RoMa v2), enabling real-time inference (~41 FPS) on a single RTX 4090 GPU. Code: https://github.com/YinjiGe/REDI-Match.