本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

Apr, 2019

该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务，并相较于先前的手动特征点描述方法，展示了更佳的匹配结果。

Mar, 2018

本研究提出了一种深度学习多形状匹配算法，利用 shape-to-universe 多匹配表示，并结合强大的 functional map 正则化，从而在不依赖于显式模板形状的情况下确保循环一致的多匹配，并在几个具有挑战性的基准数据集上取得了最新的最好结果。

Jul, 2022

本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任务和空间尺度。

Mar, 2016

本文介绍了一种名为 GraphAlign 的更准确的 3D 物体检测特征对齐策略，采用图匹配的方式融合来自图像分割编码器的图像特征和来自 LiDAR 的点云特征，通过投影校准和自我注意机制实现异构模态间的特征对齐。我们在 nuScenes 基准上进行广泛实验，证明了 GraphAlign 的有效性和效率。

Oct, 2023

3D 场景图对齐是一个部分的图匹配问题，我们提出了使用图神经网络来解决它，通过将点云注册方法学习的几何特征与节点级语义特征关联，实现了部分匹配，并通过运行预训练的注册网络在匹配区域内实现了点云注册等下游任务。我们还提出了一种点匹配重新评分方法，利用 3D 场景图的节点对齐重新调整预训练点云注册方法的匹配候选项，特别是在低重叠情况下，减少了错误的点对应估计。实验证明，我们的方法在低重叠和随机变换情况下将对齐精度提高了 10~20%，在多个下游任务中优于现有方法。

Mar, 2024

通过使用对象到宇宙的表述和学习抽象宇宙点的潜在表示，在多图循环一致性保证的情况下，基于图上深度学习的最新进展，提出了一种新的数据驱动方法用于部分多图匹配。该方法在 Pascal VOC、CUB 和 Willow 数据库上得到了验证，并在用合成图匹配数据集进行的受控实验集上证明了我们的方法对具有大量节点的图的可伸缩性和对高度偏差的鲁棒性。

Dec, 2022

本文提出了一种基于空间图的联合特征和度量学习模型，构建了一个以图顶点表示贴片、以边捕捉空间邻域信息的空间图，并通过理论分析证明了我们框架下匹配和不匹配对应的条件分布之间的信息距离最大化，通过在多个街景数据集上的评估我们证明了该方法达到了最先进的匹配结果。

Nov, 2023

本论文介绍了一种名为 DGC-GNN 的新算法，它采用全局到局部的图神经网络来逐步利用几何和颜色线索来表示关键点，从而提高匹配的鲁棒性。DGC-GNN 不仅使无描述符算法的精度翻倍，而且还显著缩小了基于描述符和无描述符方法之间的性能差距。

Jun, 2023

本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。

Feb, 2018