基于分类模拟仿射变换的区域特征描述符，通过将图像分类为不同的仿射程度来模拟仿射变换并生成新的图像集，进而根据这个新的图像集计算特征点的邻域信息，通过将特征点所属的最大稳定极值区域的灰度直方图和相对于特征点区域的灰度质心的规范化位置进行组合生成描述符，实验证明该描述符在仿射变换场景下具有比现有经典描述符更高的精度和鲁棒性，并且在与其他描述符集成时也显示出鲁棒性。

Feb, 2024

本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

Jun, 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

本文提出了一种有效使用区域匹配的指导方针，并结合对称强度匹配的局部特征几何形状精炼方法，将不确定性传递到 RANSAC 中，并适应样本手性检查来进行单应性估计；实验结果表明，按照本文提出的指导方针，仿射求解器可以在更快的运行时间内实现与基于点的求解器同样的准确性。

Jul, 2020

提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。

Mar, 2020

本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。

Apr, 2016

本研究提出了一个新的基于学习的框架，将对比学习的局部准确性与几何方法的全局一致性相结合，用于强健性非刚性匹配。

Sep, 2022

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

通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

Sep, 2017

本文介绍了一种机器学习方法，用于学习基于图像检索的定位图像特征，通过引导学习过程，使图像特征与几何距离成比例，并在实验中表现出更好的定位准确度以及在缺乏参考图像的情况下估计查询序列轨迹的能力。

Mar, 2020