本文提出了一种基于对数极坐标采样方法的局部块描述符的提取策略，这种方法在深度学习中具有非常好的鲁棒性，并在三个不同数据集上获得了最先进的结果。
Aug, 2019
提出了一种受到 SIFT 匹配标准启发的用于学习局部特征描述符的新型损失函数，试验结果表明，该损失函数优于复杂的正则化方法，且适用于浅层和深层卷积网络结构，将新型损失函数应用于 L2Net CNN 结构得到的紧凑描述符，维度与 SIFT 相同 (128)，并取得了宽基线立体、块验证和实例检索基准的最先进性能。
May, 2017
本文提出了一种基于像素梯度有效匹配内核的多核局部补丁描述符，其中包括两种梯度参数化，分别提供了不同类型的补丁误差纠正鲁棒性。结合不带监督或带有监督的描述符空间白化，大大提高了性能，并对白化对补丁相似性的影响进行了分析，并证明其语义意义。我们的无监督变量是构建没有标记数据需求的最佳表现的描述符。尽管所提出的描述符很简单，但在许多不同的任务上与深度学习方法相比竞争力很强。
Nov, 2018
该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。
Jul, 2020
通过结合局部极值尺度不变特征变换（LP-SIFT）算法和 RANSAC 算法，在图像拼接中实现了极大的速度提升，可以在 158.94 秒内拼接九张 2600*1600 像素的大图片，并且适用于地形绘制、生物分析和刑事调查等多种领域。
May, 2024
本文提出了一种通过使用手工制作的检测器和描述符来学习本地图像描述符的非常简单且有效的方法，通过对手工制作的描述符已有的知识进行优化，只学习主网络分支的剩余知识，从而在收敛速度上提供了 50 倍的优势，并在推理过程中提供了优于学习和手工制作描述符的性能。该方法在集成学习和非可微函数学习方面具有潜在应用，通过匹配、相机定位和运动过程中的实验展示了我们方法的优势。
Dec, 2023
提出一种基于多核局部块描述符的有效匹配核的图像特征提取方法，该方法采用的两种梯度参数化包括了参数极向型与参数笛卡尔型，提供了对于不同类型补丁匹配失配的鲁棒性，并在两个局部补丁基准测试上优于现有的方法。
Jul, 2017
本文提出了一种卷积网络框架，用于学习二进制补丁描述符，其中像素域特征与从变换域提取的特征融合。实验证明，我们的特征融合方法在准确性、速度和复杂性方面优于多种最先进的方法。
Jan, 2019
本文提出了一种使用 Siamese 结构的深度卷积神经网络，利用 Hinge 嵌入损失函数，以学习局部图像描述符。利用 “fracking” 技巧对正负样本进行探索，得到了远高于 SIFT 和当前最先进技术的结果。
Dec, 2014
本文提出一种轻量级全局描述符，以建模跨不同维度（如通道、帧）之间的位置交互作用，使得后续卷积能够合理地访问此全局特征，从而在计算成本和参数数量上有了巨大的降低，也完成了最有效的长距离机制。
Jul, 2019