该研究提出了一种利用卷积神经网络实现图像之间的变换估计的方法，可以避免传统的局部特征检测和变换估计方法的复杂度，并展示了多种基于深度估计变换的应用场景。

Jun, 2016

本文提出了 HITNet，一种新型神经网络结构，用于实时立体匹配。该算法使用多分辨率初始化步骤、可微 2D 几何传播和变形机制推断差异假设，是一种具有高灵敏度的架构，可在多个分类指标上获得最好的表现。

Jul, 2020

本篇论文研究并讨论如何设计和训练一种深度神经网络，以处理动态场景的单应性估计问题，通过多尺度网络进行设计和训练，在估计动态场景的单应性时，同时完成了动态内容检测的任务，使得该方法在具有挑战性的场景中具有较高的算法鲁棒性。

Apr, 2020

本文提出了一种基于 Homography Decomposition Networks（HDN）的新方法，通过将单个参数空间分解成两个组来稳定计算条件数，它包括了相似变换估计器，卷积等变网络，简单回归模型来实现残差变换，用半监督方式训练，实验证明，在 POT、UCSB 和 POIC 数据集上，比当前最先进的平面跟踪方法表现优异。

Dec, 2021

本文探讨了 Instance Normalization 在低级别视觉任务中的作用。通过引入 HIN Block，我们设计了一个简单而强大的多级网络 HINet，该网络在各种图像恢复任务上超越了现有技术。

May, 2021

本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

Nov, 2022

本文提出了一种基于渐进式估计策略和半监督学习的方法来解决大基线情况下的单应矩阵估计问题，该方法在大基线场景下取得了最先进的性能，并在小基线场景中保持了竞争性能。

Dec, 2022

提出了一种无监督深度视觉几何估计方法来提高图像配准的精度，通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计，使用 RANSAC 机制进行可靠区域选择，并专注于学习深度特征来计算损失，同时不忽略在真实场景中处理视差和运动物体的重要性。

Sep, 2019

我们提出了一个迭代框架，包括生成阶段和训练阶段，用于生成逼真的训练数据并产生一个监督单应性网络。通过这种迭代策略，数据集的质量和网络的性能可以逐渐提高。实验结果表明，我们的方法达到了最先进的性能，并且现有的监督方法也可以在生成的数据集基础上进行改进。

Jul, 2023

通过在高分辨率网络中引入动态轻量化、多尺度上下文信息提取、长距离空间依赖建模的方法，本文提出了一种动态轻量化高分辨率网络模型（Dite-HRNet），该模型在 COCO 和 MPII 人体姿态估计数据集上取得了优异的表现，超越了现有的轻量化网络模型。

Apr, 2022