本文提出一种基于图像结构属性的新型特征描述符 HOPC 和相似度度量方法 HOPCncc，用于在多模式遥感数据（如光学、LiDAR、SAR）之间进行自动配准，试验表明，在匹配性能方面，HOPCncc 具有鲁棒性并优于基于 NCC 和互信息的现有相似性度量方法。

Mar, 2021

通过近似现有指标与小型卷积神经网络的特征空间中的点积，我们提出了一个通用框架，用于创建具有表达性的跨模态描述符，从而实现了快速可变形全局注册。我们的方法比基于局部图像块的指标快几个数量级，并且可以直接应用于临床环境中，只需用所提出的指标替换相似度测量。实验表明，我们的方法在训练数据之外也具有很好的泛化性，即使在未知的解剖学和模态组合上也有着广泛的适应能力，无需进行专门的重新训练。我们公开了我们的训练代码和数据。

Jul, 2023

该论文提出了一种高效的匹配对检索方法和实现了并行 SfM 重建的集成工作流，通过训练在线个体码书、使用 VLAD 聚合局部特征并通过 HNSW 图结构进行全局描述符索引，以加速匹配对检索并提高 SfM 重建效率。验证实验结果在三个大规模 UAV 数据集上表明，所提出的解决方案加速了匹配对检索，并在相对与绝对定向下都具有竞争性的准确性。

Jul, 2023

跨模态点云配准：通过特征过滤和局部 - 全局优化的跨模态点云配准方法，提取跨模态点云的几何变换不变特征，实现通过特征匹配的点选择。通过本文的两阶段优化，我们的方法在 3DCSR 数据集上，将召回率从 40.59% 提高到 75.74%。

Sep, 2023

本文提出了一种自适应场景红外和可见图像配准方法，其使用多模态传感器模块进行场景感知。该方法采用反演平移过程建立多模态图像的不变性域，并利用单应性对不同平面间的变形进行仿真，并通过残差估计、相关性搜索等方法实现更准确的匹配，最终验证了该方法的有效性。

Apr, 2023

本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

Sep, 2022

图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态，并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性，这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征，通过匹配这些几何特征，显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上，通过直接利用这两种特征，该方法平均提高了 20.6％的内点比率、三倍的内点数目和 48.6％的配准召回率相比现有最先进方法。

Oct, 2023

使用卷积神经网络构建了一种新的相似度度量方法，该方法可以应用于多模态医学图像的配准问题。在跨人注册任务上，该方法实现了比互信息更好的性能。

Sep, 2016

本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

May, 2023

通过对高空间分辨率 (HSR) 光学卫星立体图像的特征匹配算法进行评估，本研究发现 SuperPoint + LightGlue 算法在平衡稳健性、准确性、分布性和效率方面表现出优秀的综合性能，显示了其在复杂 HSR 光学卫星场景中的潜力。

May, 2024