我们提出了一种新的方法来高效地生成图像间的半稠密匹配。先前的无需检测器的匹配器 LoFTR 在处理大视角变化和贫纹理场景方面表现出卓越的匹配能力，但效率较低。我们重新审视其设计选择，并对效率和准确性进行多个改进。通过聚合注意力机制和自适应令牌选择，我们避免了在整个特征图上执行变换器的冗余操作。此外，我们发现 LoFTR 的细粒度相关模块存在空间差异，这对匹配准确性不利。我们提出了一种新颖的两阶段相关层，以实现准确的亚像素对应关系。我们的优化模型比 LoFTR 快 2.5 倍，甚至可以超过最先进的高效稀疏匹配流水线 SuperPoint + LightGlue。此外，广泛的实验表明，我们的方法相比竞争对手的半稠密匹配器可以实现更高的准确性，并带来可观的效率优势。这为大规模或对延迟敏感的应用，如图像检索和三维重建，开辟了令人兴奋的前景。

Mar, 2024

本文提出了一种新的局部图像特征匹配方法，使用 Transformer 的自注意层和交叉注意层得出特征描述符，在低纹理区域中实现稠密匹配，在室内和室外数据集上表现优异，成为视觉定位的新的 state-of-the-art 方法。

Apr, 2021

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

提出了一种新的无检测器 SfM 框架，通过注意力机制多视角匹配来改善重建精度，适用于缺少纹理的场景，在基准数据集上优于现有基于检测器的 SfM 系统，并取得了 2023 年图像匹配挑战赛的第一名。

Jun, 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

我们提出了一种新颖的功能点匹配方法，适用于长期场景下的在户外进行稳健准确的视觉定位。我们在已注册的参考图像数据库中，使用最近的检索技术将查询图像进行匹配，通过这个得出第一个相机位姿的估计。然后，我们在查询图像和检索出来的参考图像之间匹配 2D 特征点以优化位姿估计。与以前的方法不同的是，我们只需在检索出来的参考图像中稀疏提取特征点，然后用 Sparse-to-Dense Hypercolumn Matching 方法进行快速、稳健的匹配，最终估计相机位姿。我们的实验表明，这种方法在多个具有挑战性的户外数据集上表现优于现有技术。

Jul, 2019

在夜间场景、恶劣天气和季节变化等苛刻条件下进行视觉定位是一项具有挑战性的任务。本研究提出了一种新颖的定位方法，通过提取可靠的半稠密的 2D-3D 匹配点来改进相机位姿估计的准确性，即使在噪声场景中也能取得显著的成果。

Feb, 2024

本文提出了一种基于 SFD 框架的多模态方法，采用由深度补全生成的伪点云来解决点云稀疏性问题，并提出一种新的 3D RoI 融合策略 3D-GAF 来更好地利用不同类型点云的信息。同时，本文还介绍了通过数据增强等措施让多模态框架利用 LIDAR-only 方法。最后，实验表明本文所提出的方法在 KITTI 3D 目标检测排行榜上获得了最高的入口，证明了其有效性。

Mar, 2022

通过结合特征提取和匹配方面的发展，我们设计了一个模块化的 SfM 框架，旨在研究全局 SfM 与增量 SfM 方法的性能表现，并且实验证明，在不同数据集上，基于深度学习的两视图对应估计在点密度方面有所提升，但仍不如 SIFT 与增量 SfM 方法相比。

Nov, 2023

评估最近算法在图像匹配及极线几何评估中的表现，并利用它们设计出更实用的注册系统，扩大计算机视觉任务的应用，通过四个大型数据集的实验，提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器，具有潜在的应用前景。

Aug, 2019