本研究介绍了 Sparse Deformable Descriptor Head（SDDH）模型，它通过采用少量关键点来提高描述符抽取的效率和表现，适用于多种视觉测量任务，包括图像匹配，三维重建和视觉重定位。

Apr, 2023

该论文提出了一种新的网格关键点学习框架，通过引入随机性，生成长期高质量预测，有效地降低计算资源消耗，并在机器人辅助手术数据集上验证了该方法的有效性。

Jul, 2021

本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

Apr, 2022

通过训练图网络选择一组分散但具有相似分布投票的关键点，从而提高姿势估计的准确性和效率。通过回归网络学习关键点算法，所学习的投票可以与之前的启发式算法相比更准确地回归关键点位置。实验结果表明，KeyGNet 选择的关键点在所有七个数据集上的所有评估指标都提高了准确性，特别是在具有挑战性的 Occlusion LINEMOD 数据集上。当使用 KeyGNet 的关键点进行单物体到多物体的训练时，性能明显提高，从而消除了 SISO-MIMO 差距。

Aug, 2023

介绍了一种基于 Morse 理论和持续同调的新颖方法，该方法在计算机视觉中应用于特征检测，具有竞争性的关键点可重复性和理论上鲁棒性的方法。

Jun, 2024

本研究提出了 IO-Net (内点外点网络) 和 KeypointNet (关键点网络) 两种神经网络架构，分别用于自监督学习的关键点检测、描述和匹配，通过在挑战性基准测试上的实验证明，所提出的自监督学习方法显著提高了关键点匹配和单应矩阵估计的质量。

Dec, 2019

提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

Mar, 2021

介绍了一种新颖的关键点检测方法，该方法结合了手工制作和学习的 CNN 滤波器，使用浅层的多尺度架构，在网络中使用尺度空间表示，在不同的层面提取关键点，并设计了一种损失函数来最大化关键特征的可重复性，使用 ImageNet 数据集创建了合成数据用于训练并在 HPatches 基准测试中进行了评估，结果显示我们的方法在可重复性，匹配性能和复杂性方面优于现有的检测器。

Apr, 2019

本文采用学习法重新设计现有的关键点检测器，提出了一种名为 Simple Learned Keypoints (SiLK) 的新方法，其表现优异，并在多项任务中获得了最新的最佳性能。

Apr, 2023

本研究旨在解决基于关键点的目标检测的高处理成本问题，提出了 CornerNet-Lite 算法，它是 CornerNet 的两个高效变体 CornerNet-Saccade 和 CornerNet-Squeeze 的组合，可以在不牺牲准确性的前提下提高检测效率，为实时检测带来了新的可能性。

Apr, 2019