MINIMA: Correspondência de Imagens Invariante à Modalidade

MINIMA: Modality Invariant Image Matching

December 27, 2024

Autores: Xingyu Jiang, Jiangwei Ren, Zizhuo Li, Xin Zhou, Dingkang Liang, Xiang Bai

cs.AI

Resumo

A correspondência de imagens tanto para visões cruzadas quanto para multimodalidades desempenha um papel crítico na percepção multimodal. Na prática, a diferença de modalidade causada por diferentes sistemas/estilos de imagem impõe grandes desafios à tarefa de correspondência. Trabalhos existentes tentam extrair características invariantes para modalidades específicas e treinar em conjuntos de dados limitados, mostrando baixa generalização. Neste artigo, apresentamos MINIMA, um framework unificado de correspondência de imagens para múltiplos casos cruzados de modalidades. Sem buscar módulos sofisticados, nosso MINIMA tem como objetivo melhorar o desempenho universal do ponto de vista da ampliação dos dados. Para esse fim, propomos um mecanismo de dados simples, porém eficaz, que pode gerar livremente um grande conjunto de dados contendo múltiplas modalidades, cenários variados e rótulos de correspondência precisos. Especificamente, ampliamos as modalidades a partir de dados de correspondência apenas RGB baratos, por meio de modelos generativos. Nesse cenário, os rótulos de correspondência e a rica diversidade do conjunto de dados RGB são bem herdados pelos dados multimodais gerados. Beneficiando-se disso, construímos MD-syn, um novo conjunto de dados abrangente que preenche a lacuna de dados para correspondência de imagens multimodais gerais. Com MD-syn, podemos treinar diretamente qualquer pipeline de correspondência avançada em pares de modalidades selecionados aleatoriamente para obter capacidade cruzada de modalidades. Experimentos extensivos em tarefas de correspondência dentro do domínio e de zero-shot, incluindo 19 casos cruzados de modalidades, demonstram que nosso MINIMA pode superar significativamente as bases e até mesmo ultrapassar métodos específicos de modalidade. O conjunto de dados e o código estão disponíveis em https://github.com/LSXI7/MINIMA.

English

Image matching for both cross-view and cross-modality plays a critical role in multimodal perception. In practice, the modality gap caused by different imaging systems/styles poses great challenges to the matching task. Existing works try to extract invariant features for specific modalities and train on limited datasets, showing poor generalization. In this paper, we present MINIMA, a unified image matching framework for multiple cross-modal cases. Without pursuing fancy modules, our MINIMA aims to enhance universal performance from the perspective of data scaling up. For such purpose, we propose a simple yet effective data engine that can freely produce a large dataset containing multiple modalities, rich scenarios, and accurate matching labels. Specifically, we scale up the modalities from cheap but rich RGB-only matching data, by means of generative models. Under this setting, the matching labels and rich diversity of the RGB dataset are well inherited by the generated multimodal data. Benefiting from this, we construct MD-syn, a new comprehensive dataset that fills the data gap for general multimodal image matching. With MD-syn, we can directly train any advanced matching pipeline on randomly selected modality pairs to obtain cross-modal ability. Extensive experiments on in-domain and zero-shot matching tasks, including 19 cross-modal cases, demonstrate that our MINIMA can significantly outperform the baselines and even surpass modality-specific methods. The dataset and code are available at https://github.com/LSXI7/MINIMA .