本文考虑了两个或多个图的部分匹配问题，采用了宇宙匹配方案，对内部匹配和异常点检测进行了建模，并且能够处理在线匹配、混合图匹配等情况，实验结果表明了方法的最先进性。

Oct, 2022

本研究提出了一种深度学习多形状匹配算法，利用 shape-to-universe 多匹配表示，并结合强大的 functional map 正则化，从而在不依赖于显式模板形状的情况下确保循环一致的多匹配，并在几个具有挑战性的基准数据集上取得了最新的最好结果。

Jul, 2022

提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。

Mar, 2021

3D 场景图对齐是一个部分的图匹配问题，我们提出了使用图神经网络来解决它，通过将点云注册方法学习的几何特征与节点级语义特征关联，实现了部分匹配，并通过运行预训练的注册网络在匹配区域内实现了点云注册等下游任务。我们还提出了一种点匹配重新评分方法，利用 3D 场景图的节点对齐重新调整预训练点云注册方法的匹配候选项，特别是在低重叠情况下，减少了错误的点对应估计。实验证明，我们的方法在低重叠和随机变换情况下将对齐精度提高了 10~20%，在多个下游任务中优于现有方法。

Mar, 2024

本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

Mar, 2021

本研究利用统一嵌入来增强不同类别之间和图像与类别之间的自动一致性，从而无需手动注释即可获得最新的对齐结果和精准的密集姿势预测。

Jun, 2021

旅行业的数字化加速推动了对旅行者行为的分析和理解，然而，由于旅行者与旅行提供商的互动频率相对较低，旅行者数据经常表现出高数据稀疏性。为了应对这些挑战，我们提出了基于相似性的多视图信息融合方法，从 URL 中学习更好的用户表示，将 URL 视为多视图数据。实验结果表明，所提出的多视图用户表示学习方法可以充分利用不同视图中的互补信息，突出 URL 中的关键信息，并在用户匹配任务中表现出显著优势。

Dec, 2023

本论文提出了一种基于 RGB 图像的目标检测匹配的学习方法，结合了局部关键点与新颖的物体级特征，通过关联图神经网络训练，在许多视图上具有较好的性能并优于现有的纯关键点匹配方法。

May, 2023

本文提出了一种基于空间图的联合特征和度量学习模型，构建了一个以图顶点表示贴片、以边捕捉空间邻域信息的空间图，并通过理论分析证明了我们框架下匹配和不匹配对应的条件分布之间的信息距离最大化，通过在多个街景数据集上的评估我们证明了该方法达到了最先进的匹配结果。

Nov, 2023

该研究提出了一种利用深度学习的 WarpNet 架构匹配局部未注释的微粒级细节图像数据集中物体的方法，可以在外观、视角和关节角度变化的情况下进行单视图重构。

Apr, 2016