本文提出了一种基于一种局部到全局一致性学习过程的 “修剪” 块来逐步修剪对应关系的算法，能在鲁棒直线拟合、相机位姿估计以及基于检索的图像定位基准测试中以显著的优势胜过现有算法，并展现出对不同数据集和检测器 / 描述符组合的良好泛化能力。

Jan, 2021

在近期两视图对应关系学习的研究中，我们从两个方面改进了现有框架。首先，我们提出了局部特征共识 (LFC) 插件块来增强现有模型的特征。其次，我们将现有模型扩展为具备相互损失的孪生网络，充分利用互相投影的监督信息，极大提高了匹配性能，而不引入额外的模型参数。基于 MSA-Net，我们实现了这两个改进，并在基准数据集上取得了最先进的性能。

Aug, 2023

本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

Oct, 2018

本研究提出了一种双向对应映射网络 (BiCo-Net)，使用定向点对进行局部匹配，并结合姿态感知信息，生成并优化局部坐标及其法向量，以恢复起源于 RGB-D 图像、被分割成对象实例的物体的 6D 姿态，从而实现克服因严重遮挡和深度图像中的系统噪声而带来的挑战。实验结果表明，该方法在三个流行的基准数据集上可实现最先进的性能，尤其适用于更具挑战性的严重遮挡场景。

May, 2022

本文提出了一种基于二阶关注上下文的出色的、高效的对应关系修剪方法，可以在维持效率的同时确保有效性。通过实验证明，与现有工作相比，我们的方法具有更好的去除异常值的效果，并可以获得 14 倍的加速比。

Mar, 2023

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

提出了图上下文转换网络（GCT-Net），通过增强上下文信息进行共识引导以实现渐进式对应关系修剪，并使用图上下文增强变换器和图上下文引导变换器来放大每个图上下文的特征以强调独特的以及共享的基本信息，并通过全局域中的重新校准的图上下文进行引导。实验结果表明，在室内和室外数据集上，GCT-Net 相对于当前最先进的方法在离群值去除和相对姿态估计方面表现出更好的性能。

Dec, 2023

采用新的神经网络结构实现移动图像处理，使用对输入 / 输出图像成对的训练集，预测局部仿射模型的系数，使用新的切片节点对上采样的变换进行边缘保持，对高分辨率图像在智能手机上进行毫秒级的处理，并在大类图像操作中匹配最先进的逼近技术质量。

Jul, 2017

本研究提出了一种统一框架，Binocular Mutual Learning（BML），通过 intra-view 和 cross-view modeling 实现全局视角和局部视角的兼容性，将双目嵌入聚合在一起支持决策，从而大大提高了分类的准确性。

Aug, 2021

该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。

Sep, 2019