本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

Jun, 2019

本文提出了一种利用神经网络进行无监督学习的方法，通过在变换不变的情况下对兴趣点进行排名，采用排名的前 / 后分位数提取兴趣点，证明其在标准 RGB 图像和 RGB 与深度图像间的兴趣点检测任务中具有更好的性能。

Nov, 2016

该研究论文提出一种嵌入完整视觉流水线中的特征检测器训练方法，通过强化学习的原则克服关键点选择和描述符匹配的离散性，并通过实验表明该方法可以提高基于学习的特征检测器在任务中的准确性。

Dec, 2019

本文提出了一种名为 AQD 的准确量化目标检测解决方案，采用包括卷积层、归一化层和跳跃连接在内的所有层的定点运算，在极低位方案下实现与全精度方案相媲美甚至更好的性能表现。

Jul, 2020

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

本文介绍了一种基于无监督深度学习的兴趣点检测器和描述器 - UnsuperPoint。使用自监督方法，使用孪生网络和一种新的损失函数，允许兴趣点得分和位置自动学习。而且，该模型不需要生成伪真实点，也不需要从运动中生成的表示，并且只需要一轮训练即可学习。此外，还引入了一种新的损失函数，以使网络预测均匀分布。UnsuperPoint 在 $224 imes320$ 和 $480 imes640$ 分辨率下可以实现每秒 323 帧和 90 帧的实时运行，并在速度、可重复性、定位、匹配得分和单应估计表现方面与最先进的性能相当或更好，在 HPatch 数据集上取得了良好的表现。

Jul, 2019

提出了一种局部可微的关键点检测模块，能够输出精确的亚像素关键点，用于在各种任务中达到与现有最先进方法相当的性能，同时大大减少了推理时间。

Dec, 2021

提出了一种使用 PointNet-based 深度神经网络学习具有区分性的 3D 局部深度描述符 (DIPs) 的简单而有效的方法，该方法可用于在不需要初始对齐的情况下注册点云。

Sep, 2020

3D 激光雷达检测器的部署面临着计算能力和内存受限的重要挑战，文章提出了一种名为 LiDAR-PTQ 的有效后训练量化方法，包括稀疏度校准、任务引导的全局正损失以及自适应最近邻舍入操作等主要组成部分，通过广泛实验验证了其在激光雷达检测任务中取得的优异量化性能。

Jan, 2024

本文提出了一种自监督框架，用于训练适用于计算机视觉中大量多视图几何问题的兴趣点检测器和描述符。通过引入多尺度、多单应性方法的 Homographic Adaptation，我们的模型通过训练于 MS-COCO 数据集，能够相对于其他传统角点检测器和深度模型，检测到更丰富的兴趣点，并在 HPatches 上取得了最先进的单应性估计结果。

Dec, 2017