DALF is a new, deformation-aware network for jointly detecting and describing keypoints, which can be used for local feature extraction in computer vision and delivers better performance when dealing with matching deformable surfaces.

Apr, 2023

ASLFeat 是一种新的本地特征检测器和描述符结合的方法，使用可变形卷积网络估计本地特征点的形状，从而实现更强的几何不变性。此外，ASLFeat 使用层次结构以恢复空间分辨率和局部细节，并通过尖锐度测量来推导最有指示性的检测分数，以进一步提高检测精度和可靠性，并可在各种实际场景中获得最新的研究成果。

Mar, 2020

本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架，通过旋转保角本质的数据增强学习旋转不变性的本地描述符，并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证，在包括姿势估计和视觉位置识别等关键任务上提供了实用性能量的性能表现。

Mar, 2021

利用数据驱动的方法进行三维重建非常困难，本文通过引入新的半监督策略，成功建立了一个拥有 400 个场景、超过 390,000 个 RGB-D 帧和 5,533 个面对面对齐帧对的数据集，然后利用这个数据集，提出了一个能够应对非常大的非刚性形变的深度学习方法，对比于其他方法，我们的结果优于现有的方法。

Dec, 2019

本文介绍了一种学习可转移 3D 形状的特征的方法，通过优化感受野大小和比较不同的背景和损失函数来实现。实验证明，该方法可成功推广到人和动物等未见过的 3D 形状类别，并在分割、形状对应和分类等下游任务上实现了最先进的结果。

Mar, 2023

本文提出了第一个完全通用的局部协变特征检测器学习方法，将检测视为回归问题，使用深度神经网络等强大的回归器，提出了一个可以用于自动学习提供局部特征检测稳定锚点的协方差约束，并在标准特征基准测试中展示了平移和旋转协变检测器的实证结果。

May, 2016

本文提出了一种基于监督学习的 3D 感知图像形变方法，使用预测形状 Laplacian 和用户定义的形变 handles 计算出有限的 biharmonic 权重来模拟合理的基于 handles 的图像形变。

Mar, 2022

本研究提出了一种新颖的深度架构和训练策略，利用图像集合学习本地特征流水线，无需人工监督；通过利用深度和相对相机姿态提示创建一个虚拟目标，并在一个图像上限制网络，同时保留不可区分性来优化网络。我们在室内和户外两个数据集上进行训练，并在稀疏特征匹配方面的模型性能表现优于现有技术，同时对 QVGA 图像运行速度达到 60+ fps。

May, 2018

基于分类模拟仿射变换的区域特征描述符，通过将图像分类为不同的仿射程度来模拟仿射变换并生成新的图像集，进而根据这个新的图像集计算特征点的邻域信息，通过将特征点所属的最大稳定极值区域的灰度直方图和相对于特征点区域的灰度质心的规范化位置进行组合生成描述符，实验证明该描述符在仿射变换场景下具有比现有经典描述符更高的精度和鲁棒性，并且在与其他描述符集成时也显示出鲁棒性。

Feb, 2024

介绍一种新颖的深度网络架构，实现了完整的特征点处理流程，包括检测、方向估计和特征描述，并展示了其在多个基准数据集上超过现有方法的性能表现，同时不需要重新训练。

Mar, 2016