reconstruction course homework
数据集，这里使用的合成数据集，下载 The Paris Dataset，SyntheticDataset.py 读取图片，并对每张图片进行 随机亮度、随机对比度、随机仿射变换、随机裁剪 的操作后得到图片对，和两张图片的变换矩阵，将该数据集作为我们训练和测试的数据集。
superpoint.py 用于提取特征，和论文关系不大，也可以使用opencv中的SIFT，此文件直接使用论文源码的文件。
superglue.py 参考了论文源码的文件，由于论文源码并不支持训练，所以稍微修改使其能够返回所求的部分软赋值矩阵。
train.py 训练网络，由于显卡的显存不足，这里设置了superpoint 提取的最大特征数量为 1024，直接 python train.py 即可运行，未设置命令行参数。
visualization.py 输入任意两张图片绘制网络输出的匹配，匹配颜色为网络输出的匹配分数（越绿分数越高），python visualization.py img0 img1 [-o output] [-m model] 。
test_visualization.py 输入单张图片，经过处理后得到图片对进行匹配，并将正确的匹配结果绘制为绿色，错误的绘制为红色，python test_visualizatoin.py img [-o output] [-m model]。
draw_pic.py 批量生成训练模型synthetic.pth和原始模型outdoor.pth的匹配图，用于写报告
cal_auc.py 计算匹配的精准度和AUC值
utils.py 用于绘制匹配图。