loftr — это нейросетевая модель для сопоставления локальных признаков на изображениях, известная в области компьютерного зрения как Local Feature TRansformer. Ее основная задача — находить соответствующие точки между двумя изображениями даже тогда, когда сцена снята под разными углами, при слабом освещении, размытии или недостатке текстурных деталей. Такие условия традиционно считаются сложными для классических методов вроде SIFT, ORB или SuperPoint с отдельным этапом матчеринга. Ключевая особенность loftr заключается в том, что модель не полагается на предварительное выделение ключевых точек. Вместо этого она анализирует изображения более глобально и использует архитектуру трансформера для установления связей между областями двух кадров. Такой подход позволяет учитывать контекст сцены, а не только локальные фрагменты. Благодаря этому loftr часто показывает устойчивые результаты там, где методы с ручным или полуавтоматическим выбором признаков теряют часть совпадений. В практическом плане loftr востребован в задачах 3D-реконструкции, визуальной локализации, SLAM-системах, фотограмметрии и сопоставлении кадров в видео. Модель помогает определить, какие части разных изображений относятся к одним и тем же объектам или поверхностям. Это важно для построения карт, оценки положения камеры, объединения снимков и анализа сцен, где требуется высокая геометрическая точность. Сильная сторона loftr — работа с изображениями, на которых мало выраженных углов, контуров или повторяющихся деталей. Например, стены, дороги, фасады зданий и другие относительно однородные поверхности сложны для классических алгоритмов. Трансформерная структура помогает модели находить более надежные соответствия за счет учета взаимного расположения элементов и общего контекста изображения. При этом loftr нельзя считать универсальным решением без ограничений. Модель требует заметных вычислительных ресурсов, особенно при обработке изображений высокого разрешения. В задачах реального времени это может стать препятствием, если нет оптимизации или подходящего аппаратного ускорения. Кроме того, качество результата зависит от обучающих данных и от того, насколько новая сцена похожа на примеры, на которых модель училась.