XFeat（Accelerated Features）是一种新颖的卷积神经网络（CNN）架构，专为快速和鲁棒的像匹配而设计。它特别适用于资源受限的设备，同时提供了与现有深度学习方法相比的高速度和准确性。
-
轻量级CNN架构：XFeat设计了一种新颖的轻量级CNN架构，可以部署在资源受限的平台，无需特定硬件优化即可实现高吞吐量或计算效率。
-
关键点检测分支：算法包含一个极简、可学习的关键点检测分支，该分支速度快，适用于小型特征提取骨干网络，并在视觉定位、相机姿态估计和单调配准方面展示了有效性。
-
匹配细化模块：XFeat提出了一种新颖的匹配细化模块，用于从粗半稠密匹配中获得像素级偏移。这种策略不需要高分辨率特征，除了局部描述子本身外，大大减少了计算量。
-
图像分辨率与通道数的平衡：XFeat在限制网络中通道数量的同时保持尽可能大的图像分辨率，以满足准确图像匹配的需求。
-
稀疏与半密集匹配：该模型提供稀疏或半密集级别的匹配选择，每种匹配可能更适合不同的下游应用，如视觉导航和增强现实。
-
速度与准确性：XFeat在速度上超越了当前基于深度学习的局部特征模型（速度提高了5倍），具有相当或更好的准确性，并在姿势估计和视觉定位方面得到了验证10。
-
硬件无关性：XFeat是全面的并且不依赖于特定硬件，可以在多种平台上实现快速和鲁棒的特征匹配算法。
-
特征提取网络架构：XFeat通过早期下采样和浅层卷积，然后在后续编码器中进行更深的卷积以实现快速而鲁棒的特征提取。
-
关键点检测的独立分支：与典型方法不同，XFeat将关键点检测分离成一个独立的分支，使用1×1的卷积在一个8×8的张量块变换图像上进行快速处理。
-
训练与推理：XFeat以监督的方式进行训练，使用像素级地面真实对应关系。在推理时，XFeat支持稀疏和半密集匹配设置，利用相同的预训练骨干网络。
