本文提出了一种利用尺度空间和几何模型来匹配不同分辨率图像的方法，并使用具有光度不变性和旋转不变性的描述子进行匹配，实验表明该方法可用于高达 6 倍的尺度变化。
Dec, 2020
通过无监督学习从大量未标记图像路径中学习特征，对像素进行编码，并进行空间池化以获得补丁层特征，然后将学习到的特征顺畅地嵌入到多层匹配框架中，得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型，并分析了字典学习和特征编码对最终匹配性能的影响。
Jan, 2015
在夜间场景、恶劣天气和季节变化等苛刻条件下进行视觉定位是一项具有挑战性的任务。本研究提出了一种新颖的定位方法，通过提取可靠的半稠密的 2D-3D 匹配点来改进相机位姿估计的准确性，即使在噪声场景中也能取得显著的成果。
Feb, 2024
本文探讨了将语义对应视为约束检测问题的可能性，介绍了使用 LDA 分类器学习每个像素点的方法，并将该问题表述为图模型。
May, 2015
本文针对在图像检索中几何对应验证，提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型，并通过实验证明了该模型具有竞争力。此外，将该方法应用于长期视觉本地化问题，并在跨数据集上进行了验证。
Apr, 2019
提出一种学习图像密集对应的新模型，能对几何形状不同的物体进行自动化且简单的密集姿态估计，适用于人类和动物类的各种变形物体。
Nov, 2020
我们提出了一种新颖的功能点匹配方法，适用于长期场景下的在户外进行稳健准确的视觉定位。我们在已注册的参考图像数据库中，使用最近的检索技术将查询图像进行匹配，通过这个得出第一个相机位姿的估计。然后，我们在查询图像和检索出来的参考图像之间匹配 2D 特征点以优化位姿估计。与以前的方法不同的是，我们只需在检索出来的参考图像中稀疏提取特征点，然后用 Sparse-to-Dense Hypercolumn Matching 方法进行快速、稳健的匹配，最终估计相机位姿。我们的实验表明，这种方法在多个具有挑战性的户外数据集上表现优于现有技术。
Jul, 2019
该研究使用多层感知器来优化广基准立体匹配的好匹配点，同时恢复相对位置关系，该网络基于像素坐标运算而非直接图像处理，提出了一种称为上下文规范化的新型正则化技术，使得可以单独处理每个数据点并赋予全局信息。在多个数据集的实验中，该方法使用少量训练数据就能显著提高现有技术的水平。
Nov, 2017
从两个或多个视图中提取场景的点对应是一个基本的计算机视觉问题，对于相对相机位姿估计和运动结构具有特殊重要性。我们通过使用对应于传递线上的假设匹配来放宽已有模型需要的先验知识约束，并提出了一种新颖的引导方法，从而无需真实的三维结构信息即可对模型进行微调，并在新数据上获得最先进的结果。
Jan, 2024
本论文提出了一种有效的自监督训练方案和新的损失设计用于密集描述符学习。在对比 in-house 鼻窦内窥镜数据集和公共密集光流数据集以及小规模公共 SfM 数据集的实验中，我们证明了我们提出的密集描述符具有更好的泛化性能，显著提高了 Structure from Motion (SfM) 模型的密度和完整性。
Mar, 2020