主要提供了一种无监督的deep feature的提取方式
good point应该满足：
-
they should be distributed more or less evenly throughout the image;
-
have good repeatability between different view- points;
-
be recognizable and distinguishable with descrip- tors;
-
should not lie too densely.
可以认为是在superpoint上的改进
网络架构：
train：
loss：
首先构造gt（使用随机homograph+随机噪声派生出图像）
4.1 Keypoints loss
为32×32或16×16大小的每个区域选择一个关键点是基于这样的假设：关键点应该在整个图像中均匀分布，但不要太密集。
其中Lkeypoints 的loss 是这样计算：
如此自适应的解决detector问题（但是只是经过homograph没有办法解决金字塔呀？除非train数据中存在scale的大量的变化）
4.2 Descriptor loss
所以Lgt表示的是detector层的heatmap的差异。
结果：
比较superpoint提升不大 可能是比较新颖的不用标注数据吧