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

提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

Mar, 2021

通过建立参考地图并使用 EP2P-Loc 方法，本文提出了一种新颖的大规模视觉定位方法，绕过 2D 和 3D 感知模态之间的表示差异，从而实现端到端的姿态估计，并在实验中表现出与现有视觉定位方法和图像到点云注册方法相比的最先进性能。

Sep, 2023

本研究提出了一种基于粗 - 精匹配的框架，在该框架中，将图片和点云转化为局部表示，并利用了 attention 来捕捉全局和跨模态上下文，并通过设计良好的采样和精细匹配来细化点到像素的对应关系，从而解决了图像与点云匹配的问题，并在大规模室外数据集上取得了优于现有方法的结果。

Jul, 2023

本文的主要关注点是解决深度特征匹配（DFM）的局限性，通过采用更灵活的最近邻搜索策略并集成图像补丁描述符，扩展了 DFM 的适用范围，同时提出了一种新颖的图像补丁描述符精炼策略，进一步降低了对应匹配的计算复杂度，实验证明我们的方法在实际机器人应用中具有卓越的性能。

Mar, 2024

通过无监督学习从大量未标记图像路径中学习特征，对像素进行编码，并进行空间池化以获得补丁层特征，然后将学习到的特征顺畅地嵌入到多层匹配框架中，得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型，并分析了字典学习和特征编码对最终匹配性能的影响。

Jan, 2015

本论文提出了一种基于 Patchmatch 的深度学习光流方法，通过传播和局部搜索获得高精度结果，并提出了一种新的反向传播方法来减少计算复杂度，实验证明该方法在 KTTI2015 基准测试上排名第一，在 Sintel 干净基准测试上排名第二，以较少的内存消耗在高分辨率数据集 DAVIS 上得到良好的细节保留结果。

Apr, 2022

该研究论文介绍了 CoFiI2P，一种新颖的图像到点云注册网络，通过层次化特征提取和鲁棒特征对应的建立，以获得全局最优解决方案，并在 KITTI 数据集上展示了相对旋转误差（RRE）为 2.25 度和相对平移误差（RTE）为 0.61 米的显著提升。

Sep, 2023

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

单幅图像深度估计是计算机视觉和生成建模中的基础任务。本文提出了一种名为 PatchFusion 的新颖的基于块状的框架，通过三个关键组件改善了目前最先进的技术，并在多个数据集上展示了其高分辨率深度图的能力。

Dec, 2023