【读点论文】GIM: LEARNING GENERALIZABLE IMAGE MATCHER FROM INTERNET VIDEOS图像匹配是一个基本的计算机视觉问题。虽然基于学习的方法在现有的基准测试中达到了最先进的性能，但它们对野外图像的推广能力很差。此类方法通常需要为不同的场景类型训练单独的模型（例如，室内与室外）并且当场景类型预先未知时是不切实际的。潜在的问题之一是现有数据构造管道的有限可扩展性，这限制了标准图像匹配数据集的多样性。为了解决这个问题，我们提出了GIM，一个自训练框架，用于学习基于任何图像匹配架构的单个可推广模型，使用互联网视频，丰富多样的数据源。给定一个架构，GIM首先在标准域上训练它-特定的数据集，然后将其与