提出了一种基于概率的方法，通过学习流场预测和不确定性，建立两幅图像间的密集对应关系，同时估计像素级置信度和可靠性，通过受限混合模型等方法建立更好的流预测和异常点建模，通过实验证明该方法在多个具有挑战性的几何匹配和光流估计数据集上具有最先进的效果，并在姿态估计领域证明了它的实用性。

Jan, 2021

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

引入概率坐标场（PCFs）和 PCF-Net，作为图像对应问题的新几何和不变坐标表示法和概率网络，通过联合优化坐标场和它们的置信度条件来实现的，可以在各种特征描述符中定量地表达 PCFs 的可靠性，并且可以作为现有对应依赖方法的插件，其可靠的座标表示对匹配的准确性有所帮助，这些得到的结果即可以被用于改善优化匹配的任务或用于引入到纹理转换等多个新应用程序中。

Jun, 2023

该论文介绍了一种新方法，它将深度网络的能力与几何和概率定位算法的计算效率相结合，通过矩阵李群方法导出了一个新的损失函数用于学习 SE (3) 修正，用 DPC-Net 预测从地面实况训练数据中学习得到的模型纠正特定的估计器、传感器和环境误差，并展示了如何减轻镜头失真参数不良校准的影响。

Sep, 2017

本研究利用深度学习中的 DenseNet 架构，纵向连接对求解密集光流估计问题具有隐式深度监督的特点，扩展当前 DenseNet 到全卷积网络，通过无监督学习的方式实现了运动估计。实验结果在三个标准基准测试中证明，相较于其他广泛采用的 CNN 架构，DenseNet 更适合进行光流估计。

Jul, 2017

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

本论文提出了一种透视人群计数网络（PCC Net），它包括密度图估计（DME），随机高级密度分类（R-HDC）和前景 / 背景分割（FBS）等不同的部分，并使用 DULR 模块编码四个方向上的透视变化。PCC Net 在五个主流数据集上验证，实现了最先进的性能。

May, 2019

本研究介绍了一种使用自适应邻域一致性网络（ANC-Net）的卷积神经网络架构，用于解决同类别物体图像之间生成密集视觉对应的任务。该方法通过非各向同性的四维卷积核，多尺度自相似性模块和正交损失来实现稠密匹配，并在各种基准测试中优于现有的最先进方法。

Mar, 2020

本文介绍了 S2DNet ，这是一种新的特征匹配管道，旨在通过利用稀疏 - 密集匹配范例，将对应关系学习问题作为监督分类任务，从而快速而准确地建立强大而准确的对应关系， 并展示了其在 HPatches 基准测试和数个长期视觉定位数据集上的最佳表现。

Apr, 2020