3.2 Training data generation
2D correspondence generation.
使用sfm得到的3dpoint clone，然后返投得到点的匹配关系，使用一种。。。算法优化结果干掉outliers。
Matching patch generation
，输入sift的参数（x,y,si,der）,输出转正的path
3.3 Geometric similarity estimation
定义了两种相似性：image 相似性和path相似性
Patch similarity
Image similarity
定义pathch形似度的平均
总结：这两个相似度其实度量了匹配的难度？比如完全相似的两张图得分接近于1 用于权重分配，
3.4 Batch construction
数据的构造很影响网络的学习能力，在L2-NET中是从整个数据集随机的选取path对，这样的话存在缺点：
1：真正在进行匹配任务的时候往往是以image pair作为输入的，而不是随机的path
2: 相似性较高的匹配会使网络迅速收敛而造成欠拟合
本文选取image pair对中的匹配path作为输入进行训练，并且如上图的d存在很多相似纹理这样增加了网络的难度，防止过拟合
3.5 Loss formulation（structured loss & geometric loss）
structure loss：
，可以看到对角线上的元素越大越好（同L2-NET）
这里叫做structure loss 是因为惩罚同一张图上的outlier。。。这个loss会造成outlier远离inlier。。。。因为惩罚的是错误匹配到正确匹配的距离
Geometric loss：
上述loss并不能使正确的匹配更加接近，只会将错误的匹配远离，因此增加几何loss
，这里的S是上述F1F2的结果，ii表示的是对角线元素，也就是正样本，结合上述Spatch正好可以作为权重加入到网络，可以认为是平均化困难样本和容易样本。
总结：1. 训练过程更像真实的匹配情况
2. 定义相似度平均化样本，收敛之后更加鲁棒
3.loss更好
缺点：依赖于sift，速度应该很慢吧？
