本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。

Mar, 2020

评估最近算法在图像匹配及极线几何评估中的表现，并利用它们设计出更实用的注册系统，扩大计算机视觉任务的应用，通过四个大型数据集的实验，提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器，具有潜在的应用前景。

Aug, 2019

本文提出一种全局优化的方法，用于同时匹配多张图像，将问题表述为低秩矩阵恢复问题并提供了一种快速交替最小化算法来解决该问题，在模拟和真实实验中，该算法与最先进的算法相比具有相同的计算性能但加速一个数量级。最后，证明了该方法的适用性，可以通过匹配不同对象实例的图像来重建特定类别的对象模型。

May, 2015

本文提出了一种通过凸松弛来拟合和分割多结构数据的方法，并演示了该方法在从图像中估算平面提取与单应性估计等问题上的高精度表现。

Jun, 2017

本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系，并且利用稀疏可靠特征匹配而非优化所有成对对应关系，同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异，同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。

Nov, 2017

我们提出了 AffineGlue，这是一种联合两视图特征匹配和鲁棒估计的方法，通过使用单点最小求解器减少问题的组合复杂性。AffineGlue 从一对多的对应中选择潜在匹配项来估计最小模型。引导匹配然后用于发现与模型一致的匹配，避免了一对一匹配的歧义。此外，我们推导出了一种新的最小求解器用于单应性矩阵估计，只需要一个仿射对应和重力先验。此外，我们训练了一个神经网络来排除不太可能导致良好模型的仿射对应。在真实数据集上，AffineGlue 优于 SOTA，即使假设重力方向向下。在 PhotoTourism 上，与 SOTA 相比，AUC@10° 的得分提高了 6.6 个点。在 ScanNet 上，AffineGlue 使 SuperPoint 和 SuperGlue 达到与无检测器的 LoFTR 相似的准确性。

Jul, 2023

本研究提出了一种基于深度学习和几何图像匹配的光学流估计方法 MatchFlow，通过先使用几何图像匹配（GIM）作为预训练任务，再进行光流估计，从而提高了图像特征的匹配性能，实验结果表明该模型性能优异，相较于已发表的方法，拥有最优的表现。

Mar, 2023

该论文提出了一种基于参数 - free 凸优化程序 MatchLift 的联合匹配算法，该算法在输入地图中的大部分异常值或噪声下仍可以保证接近优化的匹配结果，实现多个只存在部分相似性的对象之间的全局一致性匹配。

Feb, 2014

本文通过直接对多个视图中的低级图像信息进行对齐以提高结构运动两个关键步骤的精度，该方法通过采用神经网络预测的密集特征来优化特征度量误差从而提高了相机姿态和场景几何的准确性。

Aug, 2021

研究多源异构数据的匹配问题，以实现嵌入式统计推断任务的联合优化，并用文档匹配的应用程序演示了该方法的有效性。

Dec, 2011