可微分的近端图匹配
该论文提出了一种利用二次约束明确表达配对图结构的深度图匹配 (DGM) 框架，并设计了误配损失，具有更好的惩罚假阴性和假阳性的效果，实验表明该方法在真实数据集上具有竞争性的性能。
Mar, 2021
本研究提出了一种基于可微分分层最优传输（HOT）框架的新颖有效的图匹配方法，称为 DHOT-GM。该方法通过不同模态信息的关系矩阵集合来表示每个图，并通过加权平均匹配结果推断节点对应关系，其匹配结果是在关系矩阵之间通过 Gromov-Wasserstein（GW）距离计算的最优传输方案，所有匹配结果的权重是在矩阵集合上定义的上层最优传输方案的元素。实验证明，与现有方法相比，我们的方法在各种图匹配任务中表现出更高的优越性和鲁棒性。
Oct, 2023
本文研究的是图匹配问题，提出了一种基于学习的方法，用于解决基于图的模式识别问题。通过训练示例和标签，我们可以学习节点与边之间的兼容性，在解决问题时可以取得更好的效果。实验结果表明，该方法比现有算法更为有效。
Jun, 2008
本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束，在先前依赖于图结构的分解方法的基础上，通过约束匹配的分解，将图匹配重构为非凸非可分的优化问题，通过交替方向乘子法将其分解为多个较小、易于解决的子问题，从而设计了一个模块化可扩展的框架，并对基于两两约束和高阶约束的两个不同实例进行了研究，实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。
Nov, 2016
本文提出可微分图模块 (DGM) 用于预测边缘概率，与卷积图神经网络层结合，可以在具有噪声和不完整的图形数据中进行端到端的图形学习，并在疾病预测、年龄预测、点云分割、零样本学习等领域获得了先进的结果。
Feb, 2020
我们研究了不完全多图匹配问题，该问题是配对多个有限集合的 NP 难问题的推广，多图匹配在计算机视觉中起着关键作用，已经提出了许多专门的优化技术。我们填补了这一差距，并将已知的多维分配问题近似算法转化为不完全多图匹配问题。通过实验证明，我们的新方法在目标和运行时间方面显著优于以前的技术水平。我们的算法能够在两分钟内匹配超过 500 个关键点的 29 个图像，而考虑的最快竞争方法至少需要半小时，同时产生了更差的结果。
Jun, 2024
3D 场景图对齐是一个部分的图匹配问题，我们提出了使用图神经网络来解决它，通过将点云注册方法学习的几何特征与节点级语义特征关联，实现了部分匹配，并通过运行预训练的注册网络在匹配区域内实现了点云注册等下游任务。我们还提出了一种点匹配重新评分方法，利用 3D 场景图的节点对齐重新调整预训练点云注册方法的匹配候选项，特别是在低重叠情况下，减少了错误的点对应估计。实验证明，我们的方法在低重叠和随机变换情况下将对齐精度提高了 10~20%，在多个下游任务中优于现有方法。
Mar, 2024
本文提出了一个新的优化方法 PPG，它可以解决很多可以表示为许多可微分和许多不可微分的凸函数总和的最小化问题，并放宽了不可微分函数之间的限制，同时还引入了称为 S-PPG 的随机变异方法。这些方法具有处理大量不可微分，不可分离函数的能力，并且可以以快速的速度进行收敛。
Aug, 2017