本文研究的是图匹配问题，提出了一种基于学习的方法，用于解决基于图的模式识别问题。通过训练示例和标签，我们可以学习节点与边之间的兼容性，在解决问题时可以取得更好的效果。实验结果表明，该方法比现有算法更为有效。

Jun, 2008

本文介绍了一种基于邻近算子的图匹配算法 (DPGM)，通过将图匹配问题转化为一系列凸优化问题，实现了从图亲和矩阵到节点对应预测的可微分映射，该方法能够与深度学习框架有机地集成在一起，同时在合理的迭代次数内收敛于稳定点，并在多样数据集和 PASCAL VOC 关键点上取得了良好性能，超过了现有的图匹配算法。

May, 2024

通过提出一种新的部分形状匹配方法，该方法可以通过特征匹配建立偏差和完整形状的直接对应关系，并使用功能地图中间空间。Gromov 距离是构建我们损失函数的第一部分的依据，另外我们还使用了基于映射保持面积属性的项以及无需计算功能地图的放松版本进行正规化，该方法在 SHREC'16 数据集上表现出卓越的性能，并且在 SHREC'16 HOLES 基准测试中超过了现有的无监督方法，并与有监督方法相比也具有卓越的结果。

Oct, 2023

本文提出了在 Hilbert 空间中的一些规则，引入了新的外积算法，可以在重现核 Hilbert 空间中将 Lawler 的 QAP 视为 Koopmans-Beckmann 的对齐，有效地解决了大规模亲和力矩阵的问题。提出基于熵正则化的 Frank-Wolfe 算法 (EnFW) 对 QAP 进行优化，具有与原始 FW 算法相同的收敛速率，同时显著减少每个外层迭代的计算负担，实验表明我们提出的算法在匹配准确性和可扩展性方面显著优于现有技术。

Nov, 2019

该论文提出了一种利用二次约束明确表达配对图结构的深度图匹配 (DGM) 框架，并设计了误配损失，具有更好的惩罚假阴性和假阳性的效果，实验表明该方法在真实数据集上具有竞争性的性能。

Mar, 2021

本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束，在先前依赖于图结构的分解方法的基础上，通过约束匹配的分解，将图匹配重构为非凸非可分的优化问题，通过交替方向乘子法将其分解为多个较小、易于解决的子问题，从而设计了一个模块化可扩展的框架，并对基于两两约束和高阶约束的两个不同实例进行了研究，实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。

Nov, 2016

我们提出了一种用于非刚性 3D 形状匹配的新型无监督学习方法。通过改进最新的深度功能映射方法，我们的方法适用于广泛的不同挑战性场景。我们系统地研究了功能映射解算器生成的功能映射和基于特征相似性的逐点映射之间的耦合关系，并提出了一种自适应功能映射解算器和顶点级对比损失以获得更具区别性的特征。在包括非同构形变、拓扑噪声和部分性等不同挑战性数据集上，我们证明了我们的方法明显优于现有的最先进方法。

Oct, 2023

本文提出一种基于功能映射框架的学习方法，用于直接解决非刚性形状对应问题，包括局部对应和参考地图未知情况下的对应，该方法可以在监督或无监督的情况下进行训练，从数据中直接学习描述符，提高了模型的稳健性和精度，在多个基准数据集上取得了最新的研究成果。

Oct, 2021

我们研究了不完全多图匹配问题，该问题是配对多个有限集合的 NP 难问题的推广，多图匹配在计算机视觉中起着关键作用，已经提出了许多专门的优化技术。我们填补了这一差距，并将已知的多维分配问题近似算法转化为不完全多图匹配问题。通过实验证明，我们的新方法在目标和运行时间方面显著优于以前的技术水平。我们的算法能够在两分钟内匹配超过 500 个关键点的 29 个图像，而考虑的最快竞争方法至少需要半小时，同时产生了更差的结果。

Jun, 2024

通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

Mar, 2024