我们提出了一个新的数据集，用于学习本地图像描述符，可用于显着改善补丁匹配。此新数据集的训练效果比目前的 Multi-View Stereo (MVS) 数据集更好，并且还提供了补充信息，例如 RGB 补丁、相机参数等。我们使用此数据集训练现有的最先进模型，并在公开基准测试中获得了比 MVS 数据集训练的最先进描述符更好的性能。

Jan, 2018

DeepMVS 是一种用于多视图立体重建的深度卷积神经网络 (ConvNet)，它可以对任意数量的姿态图像进行处理以预测高质量的视差图，其有效的信息聚合方法和采用 VGG-19 网络的多层特征激活实现了优异的效果。

Apr, 2018

本文提出了一种基于 PatchNet 模型与 VSAD 特征表达方法的图像场景识别混合表示方案，并在 MIT Indoor67 与 SUN397 两个基准数据集上取得了最新的最优性能结果。

Sep, 2016

本研究使用深度学习等技术，提出了一个基于点到表面距离的补丁感知（patch-awared）多视角立体重建（multi-view stereo）方法，能够更好地重建纹理缺失区域和表面边界，并且经过实验证明，在 DTU 和 Tanks & Temples 数据集上达到了最佳重建效果。

Apr, 2023

本研究提出了一个名为 WHU 的合成航空数据集，该数据集是首个大规模的多视角航空数据集，并介绍了一种名为 RED-Net 的新型神经网络，专门用于高精度的三维地球表面重建。通过实验，我们证实了该方法的性能和效率，在减少内存和计算成本的同时，使 MAE 提高了 50％以上，并且比传统方法的一些最佳商业软件的效率提高了 16 倍。

Mar, 2020

本文提出了一个新的适用于 3D 形状的本地描述符，通过卷积网络直接从多个尺度的从粗到精细视角来捕捉图像的空间局部结构和表面细节，该技术可用于点对应，语义分割和形状匹配等形状分析领域。

Jun, 2017

本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc，旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明，GeoDesc 在各种大型基准测试中表现出优异的性能，并在具有挑战性的重建任务中显著成功。此外，本文提供了在 SfM 流水线中实际集成学习描述符的指南，展示了 GeoDesc 在精度和效率之间能够提供的良好平衡。

Jul, 2018

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

采用卷积自编码器在大量随机局部补丁上训练回归描述符，将场景补丁描述符与合成模型视图补丁的数据库进行匹配，并投票生成 6D 对象，结果在三个数据集上表现良好，具有标准检测结果并超过其竞争对手的鲁棒性。

Jul, 2016

提出了一个端到端的框架，用于学习 3D 点云的本地多视图描述符。利用可微分的渲染器将多视图表示集成到神经网络中，设计了软视图池化模块来聚合视角间的卷积特征，实验结果表明，本文方法在现有的 3D 配准基准上更优秀。

Mar, 2020