提出了 MaKeGNN 算法，它是一种稀疏的基于注意力机制的 GNN 模型，能够忽略不可重复的关键点并利用可匹配的关键点指导精简而有意义的信息传递，在相对相机估计、基础矩阵估计和视觉定位等方面实现了最先进的性能，并显著降低了计算和内存复杂度。

Jul, 2023

使用自适应聚类模块将关键点分成不同的子图，从而实现降低冗余的连通性，减少运行时间和内存使用，同时在各种计算机视觉任务上具有竞争性的性能。

Apr, 2022

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

本文提出了一种基于图神经网络和同步消息传递网络的两阶段神经结构，用于学习和精炼图之间的结构对应关系，并在计算机视觉和知识图谱中的实体对齐方面实现了比当前最先进方法更好的实际效果。

Jan, 2020

本研究提出一种新颖的自监督方法，将卷积神经网络和基于注意力机制的图神经网络相结合，用于处理内窥镜图像中的特征匹配和对应关系问题，并在精度方面具有出色的表现。

Jun, 2023

提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。

Nov, 2019

本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

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

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

本文提出了 ResMatch 和 sResMatch 两种残差注意力学习策略，以利用描述符和相对位置的相似性来实现图神经网络中的特征匹配和过滤。实验证明，这些网络在特征匹配、姿态估计和视觉定位等方面具有优越性。

Jul, 2023