REDI-Match：用于高效、鲁棒密集匹配的旋转等变 蒸馏

视觉基础模型 (VFM) 具有显着先进的密集特征匹配，但严重的平面内旋转仍然是一个严峻的挑战。现有的解决方案面临着一个根本性的困境：数据驱动的方法需要低效的参数缩放来隐式学习旋转，而严格等变网络缺乏现代 VFM 的语义能力。因此，当前的框架通常会冻结 VFM，并将旋转泛化的全部负担转移到下游解码器。为了打破这一架构瓶颈，我们提出了 REDI-Match，这是一种由新颖的旋转等变 蒸馏 (REDI) 范例驱动的高效框架。 REDI 没有依赖旋转数据增强来建立旋转对应关系，而是将 VFM 的非等变语义表示提炼成轻量级、严格旋转等变编码器，利用等变几何架构来约束鲁棒的高维语义。为了充分利用这些功能，我们为解码器配备了熵驱动的空间对齐模块。通过评估离散旋转假设，该机制明确锁定到规范坐标系，从而在连续细化之前消除全局模糊性。大量实验表明，REDI-Match 在多个基准测试中建立了新的最先进 (SOTA)。值得注意的是，它在极具挑战性的 SatAst 数据集上实现了 13.89% 的绝对姿态精度提升，同时运行速度比当前 SOTA (RoMa v2) 快 1.9 倍，从而在单个 RTX 4090 GPU 上实现实时推理 (~41 FPS)。代码：https://github.com/YinjiGe/REDI-Match。