我们提出了一种通用的网络架构GLU-Net，它可以直接应用于所有密集对应的问题，并通过结合全局和局部相关层来同时实现高精度和对大位移的鲁棒性。当使用相同的网络和权重时，此GLU-Net在几何和语义匹配以及光流方面都达到了最先进的性能。

Dec, 2019

本文介绍了一个用于本地特征与鲁棒估计算法的全面基准测试，旨在通过相机位姿的准确性作为主要指标。我们的管道模块化结构允许易于集成、配置和组合不同的方法和启发式算法。同时我们展示了如何嵌入数十种流行算法进行评估，进而表明经典算法在适当的设置下可能仍能胜过认为的最前沿机器学习研究。此外，我们实验发现一些意想不到的图像匹配解决方案的性质，这有助于改进它们的性能，无论是算法还是机器学习方法。我们提供了一个易于使用和灵活的框架，用于衡量本地特征与鲁棒估计方法，同时与顶级方法进行比较，构建了一个基础性的图像匹配挑战平台。

Mar, 2020

本文提出了一种基于概率图模型和单步梯度匹配的高效数据集压缩方法，能够在保持性能的前提下将数据集大小缩减90%。

Jun, 2022

本文研究了一种名为MTT的数据集压缩方法，提出了一种内存和时间更高效的轨迹匹配算法TESLA，并且发现对于更大的数据集，为合成图像分配软标签至关重要。TESLA在ImageNet-1K数据集上实现了27.9%的测试准确率，要比之前的方法高出18.2%的较大优势。

Nov, 2022

SRe$^2$L是一种新的数据集压缩框架，可以在训练期间解耦模型和合成数据的双层优化，以处理各种规模的数据集、模型结构和图像分辨率，具有高分辨率训练、低训练成本和内存消耗，以及在任意评估网络结构下扩展的能力。

Jun, 2023

采用高效的数据集提炼技术(DataDAM)，通过匹配真实数据和合成数据的不同层级生成的空间关注图，我们在多个数据集上实现了最先进的性能同时降低了训练成本。

Sep, 2023

通过在多个尺度上迭代地探索几何相似性，并使用一种额外的不确定性估计模块进行稀疏化，我们提出了一种名为RGM（Robust Generalist Matching）的深度模型，用于稀疏和密集匹配。通过生成具有较大间隔的光流监督，我们构建了一个包含稀疏对应关系真值的新的大规模数据集，从而缩小了合成训练样本和真实场景之间的差距。通过在大型混合数据上以两阶段方式学习匹配和不确定性估计，我们显著提高了我们所提出的RGM模型的泛化能力。在多个数据集上实现了零样本匹配和下游几何估计的卓越性能，优于先前的方法很多。

Oct, 2023

通过双向代表性匹配的数据集提炼策略（DREAM+），选择代表性的原始图像进行匹配，并且在不影响性能的情况下，显著减少了数据集提炼迭代的次数。

Oct, 2023

提出了GIM：一个基于互联网视频的自我训练框架，通过结合标准领域特定数据集和互补匹配方法，在新的视频中创建密集标签，并通过强化增强的传播数据来训练单一通用模型，能够提高跨领域图像匹配的零样本性能。同时，引入了ZEB作为图像匹配的首个零样本评估基准。

Feb, 2024

从内部和外部视角揭示了当前基于分布匹配的方法在持久化训练和分布偏移方面的局限性，提出了一种新的基于双视图分布对齐的数据集简化方法(DANCE)，通过利用多个预训练模型来改进分布匹配，从而取得了状态的结果，并在保持与原始分布匹配相当的效率下实现了流行的性能。

Jun, 2024