多域扩散驱动特征学习网络对高维图像进行特征提取，显著改进了性能并揭示了其内在模式和结构。

Nov, 2023

本文提出了一种卷积网络框架，用于学习二进制补丁描述符，其中像素域特征与从变换域提取的特征融合。实验证明，我们的特征融合方法在准确性、速度和复杂性方面优于多种最先进的方法。

Jan, 2019

提出了一种集成传统和深度方法优点的端到端复制移动伪造检测（CMFD）框架，其中包括了深度跨尺度补丁匹配方法和操作区域定位分支，通过从高分辨率尺度提取特征，寻求源区域和目标区域之间的明确可靠的点对点匹配，证明了该方法对不同的复制移动内容具有高度的适应性和显著优于现有方法的性能。

Aug, 2023

本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

Jul, 2021

学习算法在交叉光谱图像块匹配方面取得了有希望的性能，然而在实际应用中仍然存在不足。我们发布了迄今为止最大的可见光和长波红外图像块匹配数据集 VL-CMIM，其中包含 1300 对严格对准的可见光和红外图像，覆盖了包括星际、田地、乡村、建筑、街道和水域等不同场景的超过 200 万个块对。此外，我们提出了一种多域特征关系学习网络（MD-FRN），通过四分支网络提取的特征来学习空间域和尺度域的特征关系。为了更进一步聚合多域关系，我们应用了深度域交互机制（DIM），其中学到的空间关系和尺度关系特征被交换并进一步输入到 MSCRM 和 SCM。通过学习交互式跨域特征关系，我们的模型能够更好地应对不同模态导致的显著外观变化，从而提高了稳健性。

Aug, 2023

该研究提出了一种新颖的端到端图像复制移动伪造检测框架，它结合了传统和深度学习方法的优势，利用高分辨率尺度提取特征进行源和目标区域的明确可靠点对点匹配，并提出了一种新型的成对排序学习框架来分离源和目标区域，取得了显著的泛化能力和优于现有方法的检测性能。

Apr, 2024

通过采用基于特征的快速级联对齐网络（FFCA-Net）来利用译码器上的辅助信息，提出了一种解决立体成像任务中解码延迟问题的方法，该方法利用了初始阶段的特征域补丁匹配模块和基于沙漏的稀疏立体细化网络以及轻量级高性能特征融合网络（FFF）来解码对齐的特征，实验证明该方法在解码速度上比传统和基于学习的 SIC 方法快 3 到 10 倍。

Dec, 2023

本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

Aug, 2018

本文提出了一种逐步领域无关特征分解（PDFD）网络，用于零样本基于草图的图像检索（ZS-SBIR），通过将视觉特征分解为域特征和语义特征来维护语义知识的完整性，并使语义特征投影到公共空间，最终的检索特征能够捕获干净且完整的语义信息。实验证明了 PDFD 与现有方法相比在 ZS-SBIR 中具有优越性。

Mar, 2020

本研究提出了一种名为 “具有视觉关注的多领域特征提取器和多接受域上采样器的图像拼接定位网络” 的新颖方法，它包含了一种独特的 “具有视觉关注的多领域特征提取器”（VA-MDFE），用于从 RGB、边缘和深度领域提取注意力特征。接下来，负责融合和下采样多领域特征的是 “具有视觉关注的下采样器”（VA-DS）。最后，一种新颖的 “具有视觉关注的多接受域上采样器”（VA-MRFU）模块通过专注于不同的信息尺度，使用基于接受域的多个卷积方法来上采样注意力特征。实验结果在公共基准数据集 CASIA v2.0 上证明了该模型的有效性。相较于现有的最先进方法，它在 IoU 得分达到 0.851，像素 F1 得分达到 0.9195，像素 AUC 得分达到 0.8989，表现优越。

Jan, 2024