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

本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

Jul, 2021

研究使用二进制前景掩码并经过合成几何变形的图像来训练卷积神经网络（CNN），以解决语义对应问题，提出了一种新的 CNN 体系结构（称为 SFNet），其实现了这一想法，并展示了在标准基准测试中明显优于现有技术的实验结果。

Nov, 2019

本文提出了一种卷积神经网络的方法来处理物体相同实例之间的对应关系问题，定义了一个新的基于循环一致性的损失函数来解决 2D 点集的注册问题，并在 Proposal-Flow（PF-PASCAL）数据集上进行了训练和测试，取得了最先进的结果。

Jan, 2019

本文提出了一种语义感知的细粒度对应方法，该方法融合了基于图像和基于像素的自监督学习方法来提高任务的性能，在视频对象分割、人体姿态跟踪和人体部分跟踪等视觉对应任务上超过了以往基于卷积神经网络的最新自监督方法。

Jul, 2022

该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务，并相较于先前的手动特征点描述方法，展示了更佳的匹配结果。

Mar, 2018

本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法，该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习，并从几何上一致的对应关系计算对齐质量，达到了基于多个标准基准的语义对齐的最先进表现。

Dec, 2017

本文提出利用跨实例视觉一致性作为监督信息，通过建立一个包含 4 个环（4-cycle）的人工数据集提高深度学习在实现物体实例间的稠密视觉对应中的表现，并在测试阶段显示出优于先前相关任务的最新成果。

Apr, 2016

本文提出了基于 CNN 的视频对象分割算法，采用像素级匹配来区分目标区域和背景。提出了特征压缩技术，对大数据集进行实验，证明了模型在准确性、速度和稳定性方面的有效性，同时也介绍了模型在不同领域的可传递性。

Aug, 2017

本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

May, 2017