FlexGlue：稀疏到密集特征匹配与视觉消歧¶

用冻结DINOv3骨干提取全图dense特征，再以Transformer融合双图上下文，对稀疏query估计亚像素坐标；同时预测共视性，提前拒绝外观相似但不重叠的图像对。实际使用1.5-entmax和Fenchel–Young目标，不是仅做softmax相似度。本轮Google合作优先收录，完整实验成本过高，不复现。

论文信息¶

字段	内容
论文链接	arXiv 2610.32976 v1；固定v1全文
公司 / 机构 / 学校	一作 Philipp Lindenberger：ETH Zurich；PDF第一页 Paul-Edouard Sarlin 的上标2对应 Google；Ondrej Miksik为Microsoft，Marc Pollefeys为ETH Zurich / Microsoft。
首次公开日期	2026-10-23 17:59:00 UTC（arXiv v1）；2026-10-26 new公告，不把公告日当首投日。
原作者代码	作者公开仓库；固定commit `37b5b95fed4c46c5e7103c3c909e22e5f40090c7`，固定LICENSE核验MIT；数据与DINOv3资源许可独立。
本地 adapter / 稳定键	`flexglue`；`adapter: null`；`deferred_high_cost`
本地复现代码目录	无；仅收录审查资料，不声称模型已实现。
完整实验	成本过高，不复现（审查 DONE）；不自动重试、不阻塞审查水位。

原始论文总结¶

背景与主要改动¶

稀疏matcher受两图keypoint重复检测能力限制，dense matcher则昂贵，而且两者常只在共视正样本训练，面对对称建筑等doppelganger会给出高置信假匹配。FlexGlue在stride8全图token网格上先做self/cross attention，再只对给定query插值读取特征并寻找另一图的坐标。局部3×3窗口读取避免全局期望在多个候选间平均；轻量MLP对两个方向的offset bins取期望做局部细化。

共视分支给每个token一个sigmoid vote，并在每层监督；双图vote均值低于随层数变化的阈值便提前退出。训练加入不共视与flip生成的hard negatives，使匹配与视觉消歧联合训练，而不是额外挂一个在测试时读取gold的过滤器。

原论文关键图¶

Figure 2，固定v1第2页架构图及caption。图片来自原论文，版权归原作者所有；保持原图科学内容，未重绘。来源、裁切和SHA256。

核心公式¶

正文先以softmax解释局部读取，但紧接着明确实际用1.5-entmax代替softmax，以Fenchel–Young loss代替cross-entropy。因此不能把一个普通相似度softmax命名为已复现FlexGlue。

\[ p_i=\frac{\sum_{j\in\mathcal N(j^*)}P_{ij}g_j}{\sum_{j\in\mathcal N(j^*)}P_{ij}},\qquad c_i=m_i\sum_{j\in\mathcal N(j^*)}P_{ij}. \]

粗匹配target是ground-truth亚像素坐标周围四cell的bilinear权重，不是最近cell one-hot；细化offset对粗坐标停止梯度，以generalized Charbonnier监督。每层训练目标为：

\[ \mathcal L=10\mathcal L_{coarse}+\mathcal L_{fine}+\mathcal L_{match}+\mathcal L_{covis}. \]

Lcovis在引入negatives后加入。共视vote的双图token均值是pair score，层k在其小于阈值时退出：

\[ \bar o=\frac1{2P}\sum_j(o^a_j+o^b_j),\qquad \bar o<t\gamma^{L-k}. \]

论文离线与线上效果¶

原文在相对姿态、七个two-view、LaMAR-DG、ETH3D SfM、IMC及InLoc定位上比较。ETH3D加入消歧后AUC@5°从83.5升到92.3，early版本91.6并增加吞吐；这些是作者实验，不是本地结果。未报告互联网生产线上A/B；本篇按通用多模态/几何基础方法收录，不套工业搜广推线上证据口径。

本地复现¶

本轮没有operator、local command、metrics或GPU收据，gpu_validation_passed=false。保留作者仓库作为可查来源；不下载DINOv3/训练图像、不编造匹配、SfM或entmax kernel实现，也不让一个通用softmax/字段检查冒充论文核心。

复现边界¶

原文第7页：冻结DINOv3 ConvNeXt-B、9层512维Transformer、8数据集、512×512图像，50epochs、每epoch150K样本，在4张H200上约4 GPU-days；gradient checkpointing后4张RTX4090约1.5天，另有10epoch消歧fine-tune与多数据集/重建评测。这里保持作者的GPU-days口径，不虚构单卡总时长。

成本过高，不复现（审查 DONE）。成本先行，不先试跑；不进入自动实现/重试队列，不作为capability或evolve晋级证据。diagnostic_only=true、promotion_eligible=false、evolve_integrated=false。