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

本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力，从而在多目标跟踪方面取得了最先进的效果，并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。

Apr, 2021

该论文提出了一种无监督方法，利用原始航拍视频学习估计相邻视频帧之间的平面同形变换，通过加入时空知识进行学习的正则化，进一步提高了系统性能。

Apr, 2023

在这篇论文中，我们针对无人机移动场景中的多目标跟踪（MOT）的挑战，提出了一个新颖的通用视角匹配多目标跟踪（HomView-MOT）框架。我们引入了快速单应矩阵估计算法（FHE）来计算视频帧之间的单应矩阵，并利用多视角单应矩阵学习跨视角的标识特征，同时使用视角匹配滤波器（HMF）将不同时刻的物体边界框映射到一个共同的视角平面上进行真实的物体重叠度关联。经过广泛的实验证明，这些创新使 HomView-MOT 在著名的无人机 MOT 数据集 VisDrone 和 UAVDT 上实现了最先进的性能。

Mar, 2024

本论文提出了一种基于深度学习的多模态图像对齐解决方案，通过使用卷积神经网络的特征嵌入模块，实现了无需使用基于 Lucas-Kanade (LK) 方法即可取得与最先进方法相媲美的结果。我们的方法在四个航拍数据集上进行了测试，与现有的最新深度 LK 架构相比，取得了最先进的结果。

Feb, 2024

该研究提出了一种基于神经网络和 SMPL 模型的新方法，用于通过一个单一的 RGB 摄像机跟踪三维人体、物体及其相对位移，且能够在强遮挡情况下保持稳健性。

Mar, 2023

本文提出了一种新颖的在线多物体视觉跟踪器，它使用高斯混合概率假设密度 (GM-PHD) 滤波器和深度外观学习，并在数据关联后继续采用未分配轨迹预测以克服 GM-PHD 滤波器对遮挡引起的漏检敏感性，其在 MOT16，MOT17 和 HiEve 基准数据集上表现优于现有几种现有的跟踪器。

Dec, 2019

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

本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

Jun, 2016

本文提出了一种快速、稳健的方法，利用包含地面水平线和垂直消失点等基础几何信息的单张图像进行透视矫正，并且使用合适的神经网络模型进行训练和预测，从而达到了全球最好的水平线检测性能（AUC 值为 74.52%）。该方法可以应用于实时视频透视矫正。

May, 2019