ResMatch: 针对局部特征匹配的残差注意力学习
本文提出了基于变换器的半密集匹配方法，引入了基于仿射的局部注意力和选择性融合来模拟跨视图变形，并强调了损失设计中的空间平滑性的重要性，通过这些增强方法，我们的网络在不同设置下表现出很强的匹配能力。
May, 2024
本文提出了一种新的层次化提取和匹配变形器 MatchFormer 来提高局部特征匹配的效率和鲁棒性，该方法结合自注意力和跨注意力在多尺度特征的层次化架构上提高匹配鲁棒性，并在室内姿势评估、室外姿势评估、单应性评估和图像匹配检测四个基准测试中均取得 state-of-the-art 的结果。
Mar, 2022
本研究提出了一种用于图像配准的种子图匹配网络，该网络采用了稀疏结构和三种新的消息传递操作，包括关注汇集，种子滤波和关注展开，以提高准确性和效率，并在计算和存储复杂性方面表现出竞争力或更高性能。
Aug, 2021
本文提出了一种基于 Transformer 的 3D 视觉应用中的线性注意力机制，通过全局和局部信息聚合进行关键点匹配，同时提出了联合学习来简化和加速特征匹配，最终在几个基准测试中取得了具有竞争力的性能。
Apr, 2022
本文研究了如何通过特征重组、自注意力、稀疏 / 协作学习等手段来比较变量数量、质量和无序异质图像集的相似度，并在实验中取得了领先的成果，解决了人脸识别和人物重识别等问题。
Aug, 2019
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
本文提出了一种新的有效的锚匹配转换器（AMatFormer）用于特征匹配问题，以在一些锚点特征上进行自 / 交叉注意，进而学习所有基本特征的表示，并采用共享的 FFN 模块将两个图像的特征嵌入公共域中，以学习匹配问题的共识特征表示，在几项基准实验中证明了 AMatFormer 匹配方法的有效性和效率。
May, 2023
该研究介绍了 RESMatch，这是一种用于参考表达分割的半监督学习方法，旨在减少对详尽数据标注的依赖，通过修订强扰动、文本增强和强弱监督质量调整等三种创新，RESMatch 在多个数据集上显著优于基线方法，并树立了新的最优效果，为以后的半监督学习参考表达分割研究奠定了基础。
Feb, 2024
提出了一种多注意力关联预测网络（MAPNet），用于解决现有模型中存在的问题，并构建了一个基于该预测网络的模型，在五个追踪基准测试中取得了领先的性能。
Mar, 2024