本文提出了一种级联卷积神经网络，它深度学习处理立体成像时产生的不适定区域难点，通过残差学习技术实现了高精度的视差图生成，达到了极佳的匹配效果。

Aug, 2017

该研究使用多层感知器来优化广基准立体匹配的好匹配点，同时恢复相对位置关系，该网络基于像素坐标运算而非直接图像处理，提出了一种称为上下文规范化的新型正则化技术，使得可以单独处理每个数据点并赋予全局信息。在多个数据集的实验中，该方法使用少量训练数据就能显著提高现有技术的水平。

Nov, 2017

本文提出了基于检测再细化的新视角来估计对应关系，并介绍了一种新颖的细化网络Patch2Pix，它通过对匹配传播的精细调整和置信度分数的拒绝来提高对应关系网络的性能，实现了图像匹配、单应性估计和定位任务的最优性能。

Dec, 2020

本研究提出了一种新颖的基于深度神经网络的图像对应关系发现框架，可以根据给定的两幅图像和一个查询点在其中一个图像中找到其在另一个图像中的对应关系，并可以检索稀疏或密集的对应关系，同时在推理时，递归地以估计为中心缩放，形成了多尺度通道，从而能够提供高度准确的对应关系。本方法在多个数据集和任务中明显优于现有技术，并不需要针对特定数据集进行重新训练。

Mar, 2021

本文提出一种称为Deep Matching Prior（DMP）的框架，使用优化方法为图像对特定定制网络，来实现密集对应的学习，并在几个基准测试中展现了与最新的基于学习的方法相媲美的性能。

Jun, 2021

本文介绍了基于Transformer网络的图像语义匹配学习器TransforMatcher，通过全局匹配-匹配注意力和动态细化，利用轻量级注意力架构实现匹配处理和基于多层次特征的多通道相关图的精细化处理，以达到确切的匹配定位和Semantic Learning的效果

May, 2022

论文提出了基于 group theories 针对 sim(2)-equivariant correspondence matching 的专门数据集，并对16种最新的相关算法进行了实验比对，结果表明了算法的对应模糊度和精度，同时也提高了对该领域的重视程度。

Aug, 2022

本文提出了一种基于几何关系的迭代匹配和位姿估计框架（IMP），它利用几何信息将匹配和位姿估计两个任务联系起来，并引入了一种几何感知模块（Geometry-aware recurrent attention-based module）和一种称为EIMP的有效IMP来提高算法的效率和准确性。实验结果表明，该方法在准确度和效率方面优于以往的方法。

Apr, 2023

应用非局部特征增强和基于双线搜索的Transformer方法改进多视角立体视觉的特征匹配，并在学习式MVS基线ET-MVSNet中加入Epipolar Transformer技术，提高了重建性能。

Sep, 2023

本文的主要关注点是解决深度特征匹配（DFM）的局限性，通过采用更灵活的最近邻搜索策略并集成图像补丁描述符，扩展了DFM的适用范围，同时提出了一种新颖的图像补丁描述符精炼策略，进一步降低了对应匹配的计算复杂度，实验证明我们的方法在实际机器人应用中具有卓越的性能。

Mar, 2024