核心要点
说出 SIFT 四步：尺度空间、关键点、方向、描述子
解释尺度不变与旋转不变如何实现
说明在匹配与拼接中的应用
知道专利过期与 ORB/SuperPoint 替代
简要回答
SIFT 在尺度空间（DoG）找稳定关键点，分配主方向实现旋转不变，用 128 维梯度方向直方图做描述子。对尺度、旋转、适度光照变化鲁棒，广泛用于图像匹配、拼接与三维重建，是经典局部特征标杆。
标准回答
SIFT 四阶段（Lowe, 2004）
- 尺度空间极值检测：高斯金字塔 + DoG，找 3D 空间局部极值作为关键点
- 关键点定位：拟合剔除低对比度与边缘响应不稳定点
- 方向分配：邻域梯度直方图峰值 → 主方向，实现旋转不变
- 描述子：4×4 子区域 × 8 方向梯度直方图 = 128 维向量，归一化抗光照
不变性
- 尺度：多尺度 DoG 检测
- 旋转：按主方向旋转坐标再采样
- 光照：梯度方向比绝对亮度稳；向量 L2 归一化
应用：全景拼接、物体识别（BoVW）、结构从运动 SfM、图像检索。
局限：计算慢；纹理少区域关键点少；大视角变化仍困难。
现状：专利已过期；实时场景多用 ORB；学习式 SuperPoint/LF-Net 兴起。传统几何 CV 面试仍常考 SIFT 原理。
详见 特征匹配。
回答思路
【定义】用一句话说清「请解释尺度不变特征变换（SIFT）算法」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
说不清 DoG 与尺度空间；把 SIFT 说成全局描述子；不知道 128 维如何组成。
追问
追问 1：DoG 为何近似 LoG？
高斯差分 DoG 在尺度 σ 适当比例下近似 LoG 零交叉，计算更快，是 SIFT 检测极值的工程选择。
追问 2：SIFT 匹配如何做？
最近邻 + Lowe ratio test（最近/次近 < 0.8）剔歧义匹配；RANSAC 估单应性/基础矩阵剔外点。
追问 3：深度学习如何替代 SIFT？
SuperPoint/KeyNet 学可重复关键点与描述子；端到端 homography 估计。学习特征在宽基线、纹理差场景常更优，但几何可解释性弱。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
