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

使用 DualRC-Net 方法得到的像素级对应关系，在 HPatches，InLoc 和 Aachen Day-Night 等公共基准测试中均取得了最先进的结果，同时提高了匹配的可靠性和本地化的准确性。

Jun, 2020

本研究提出了一种新颖的基于深度神经网络的图像对应关系发现框架，可以根据给定的两幅图像和一个查询点在其中一个图像中找到其在另一个图像中的对应关系，并可以检索稀疏或密集的对应关系，同时在推理时，递归地以估计为中心缩放，形成了多尺度通道，从而能够提供高度准确的对应关系。本方法在多个数据集和任务中明显优于现有技术，并不需要针对特定数据集进行重新训练。

Mar, 2021

研究视频指代表达理解中的两个问题，提出了一种新颖的双重对应网络方法来增强帧间和跨模态的密集关联，以提高视频和图像 REC 基准测试的表现，并进行了全面的剖析研究。

Jul, 2022

该研究提出了一种基于样本的图像翻译框架，可以从输入的一个不同域的图像（如语义分割掩模、边缘地图或姿态关键点）中综合出真实感风格与样本图像中对应语义对象的一致的合成图像。通过联合学习交叉领域对应关系和图像翻译模型，两个任务相互促进从而可以在弱监督下学习。该方法在几项图像翻译任务中优于最先进的方法，图像风格传神并具有语义一致性。

Apr, 2020

本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

Jul, 2021

本文提出了基于检测再细化的新视角来估计对应关系，并介绍了一种新颖的细化网络 Patch2Pix，它通过对匹配传播的精细调整和置信度分数的拒绝来提高对应关系网络的性能，实现了图像匹配、单应性估计和定位任务的最优性能。

Dec, 2020

本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

May, 2017

该研究使用边缘对比学习网络（MCL-Net）进行基于样例的图像翻译，设计创新的边缘对比损失的辅助信息自相关图（SCM）来指导建立密集的对应关系。实验结果表明，该方法在多样化的图像翻译任务中优于现有技术。

Apr, 2022

本文提出了一种多模态的局部变换网络嵌入多尺度结构中，以显式学习分辨率不同的输入图像之间的对应关系，用于解决多尺度千亿像素摄影中的交叉分辨率匹配问题。实验证明，该方法在 MS-COCO 数据集和真实拍摄的交叉分辨率数据集上表现优于其他基于特征和深度学习的同类方法，能够在小于 10 倍的分辨率差异下精确地对齐图像。

Jun, 2021