本研究针对两幅图像之间密集像素对应估计的挑战进行探讨，提出了一种基于粗到细的 CNN 框架，能够扩展光流方法的优势，解决大范围变换并提供密集和亚像素准确估计的问题，并在相对摄像机姿态估计问题上表现优异。

Oct, 2018

提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

May, 2019

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

提出了一种增强型概率密集对应网络 (PDC-Net+), 可以同时估计准确的密集对应关系和可靠的置信度分布，通过联合学习流估计和不确定性来预测密集匹配度，并且在自监督训练环境下具有更加稳健和可泛化的不确定性预测策略，对几何匹配和光流数据集取得了最先进的结果，并证明了概率置信度估计在姿态估计、3D 重建、图像定位和图像检索方面的有用性。

Sep, 2021

本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

Oct, 2018

本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

May, 2019

本文提出了一种名为 LGCNet 的神经架构搜索框架，该框架采用新的搜索空间来有效地搜索轻量级模型，并通过引入 GCN 引导模块实现局部信息交换和提出新型的密集连接融合模块来实现全局信息聚合，同时还引入了基于时延的约束来平衡准确性和速度。大量实验证明，LGCNet 在 Cityscapes 和 CamVid 数据集上取得了最新的最先进的准确性和速度的平衡。

Feb, 2023

本文针对在图像检索中几何对应验证，提出了以像素级密集配对检索数据库图像并以全局相似度度量和匹配像素计算的几何一致性度量为基础进行短序列重排的新模型，并通过实验证明了该模型具有竞争力。此外，将该方法应用于长期视觉本地化问题，并在跨数据集上进行了验证。

Apr, 2019

MGNet 通过有效地结合多个补充图表达方法，利用全局图中的所有稀疏通信信息一次性捕捉和放大判别特征，从而在不同的视觉任务中优于现有方法。

Jan, 2024

Dense visual correspondence is established between images using Doduo, which learns general dense visual correspondence without ground truth supervision. The method incorporates semantic priors and self-supervised flow training to produce accurate correspondence robust to dynamic scene changes, resulting in superior performance for point-level correspondence estimation.

Sep, 2023