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

本研究提出了一种基于 Order-Aware Network 的方法，通过学习两个图像间特征点的对应关系概率和相对姿态编码，分别用三个新颖的操作捕获局部和全局的空间信息，特征点聚类和上采样操作优化了特征对应和两图之间的几何关系，结果在室内外数据集上表现明显优于现有技术。

Aug, 2019

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

本研究提出了一种新颖的基于深度神经网络的图像对应关系发现框架，可以根据给定的两幅图像和一个查询点在其中一个图像中找到其在另一个图像中的对应关系，并可以检索稀疏或密集的对应关系，同时在推理时，递归地以估计为中心缩放，形成了多尺度通道，从而能够提供高度准确的对应关系。本方法在多个数据集和任务中明显优于现有技术，并不需要针对特定数据集进行重新训练。

Mar, 2021

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

该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

Aug, 2020

该论文提出了一种基于卷积神经网络的几何匹配体系结构，可用于在符合几何模型的条件下确定两幅图像之间的对应关系和参数估计，并演示了该网络参数可以从合成生成的图像中训练而来，且同时适用于实例级别和类别级别匹配。

Mar, 2017

本文介绍了一种基于增强学习的方法来学习对应关系结构，进而解决人物重新识别中由于摄像视角变化和人体姿势变化导致的空间配准问题，并通过引入全局约束性匹配过程和多结构方案来提高精度。

Mar, 2017

本文针对语义对应中标签稀疏性的挑战，提出了一种基于稀疏关键点注释生成密集伪标签的教师 - 学生学习范式，并开发了两种噪声伪标签去噪策略，使用空间先验和损失驱动的动态标签选择策略。实验结果表明该方法在语义对应的三个基准测试中均取得了显著进展并建立了新的最新成果。

Aug, 2022

本文提出了一种深度 CNN 模型，该模型能够同时解决 6 自由度绝对摄像机姿态和 2D-3D 对应关系，通过全局特征匹配模块和分类模块实现了对无先验知识的 2D-3D 对应关系的盲目 PnP 问题的有效解决。

Mar, 2020