- ICLR学习图像检索的超级特征
本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现 - MM宽基线立体学习与制作
该论文介绍了广泛的多基线立体（WxBS）问题，提出了针对该问题的一系列改进措施，包括使用 HardNet 实现局部图像特征的学习，以及引入 feedback loop 实现 MODS 算法，该算法在解决视角差异问题上表现优异。
- CVPRICON: 从法向量中获取隐式衣着人
该论文介绍了一种名为 ICON 的方法，该方法使用局部特征来进行 3D 人体建模，可以从不规则的 2D 图像中生成逼真且可动态的人体模型，并可以创建个性化且自然的动态变形的角色。
- 区域语义对齐网络用于零样本学习
本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验 - ICCV无监督稠密变形嵌入网络用于基于模板的形状对应
该文章提出了一种新的神经网络 (UD^2E-Net) 用于从非刚性形状的密集局部特征中学习预测形状之间的形变，通过外部 - 内部自编码器将物体的几何特征从源到目标进行转换，并引入了一个参数化变形图和一个追踪传播算法来提高变形质量和效率。
- ICCV基于特征度量细化的像素完美式结构运动恢复
本文通过直接对多个视图中的低级图像信息进行对齐以提高结构运动两个关键步骤的精度，该方法通过采用神经网络预测的密集特征来优化特征度量误差从而提高了相机姿态和场景几何的准确性。
- ICCVDOLG: 深度正交局部和全局特征融合的单阶段图像检索
本文提出了一种深度正交局部全局信息融合框架（DOLG），通过一步到位的方式将图像的本地信息和全局信息结合起来，有效地解决了图像检索中的相关问题，该模型在经过广泛实验验证后，表现出良好的检索效果。
- CVPR学习联属性：针对少样本分类问题的中心化互惠学习
该论文提出了一种新的方法 Mutual Centralized Learning （MCL），通过联合本地特征集进行双向范式密集表示，使用亲和力将本地特征关联为粒子，通过这些关联来测量类概率，为现有方法中的本地特征提供集中的支持，并在 mi - ICCVConformer：局部特征耦合全局表示用于视觉识别
本论文提出了一种名为 Conformer 的混合网络结构，利用卷积操作和 self-attention 机制进行增强表示学习，可最大程度地保留局部特征和全局表示，并通过实验证明，在可比较的参数复杂性下，Conformer 在 ImageNe - ICCV使用重新排序变换器进行实例级别图像检索
本文提出了一种新的模型 Reranking Transformers (RRTs)，它可以在有监督的环境下整合全局和局部特征，以重排匹配的图像，从而替代代价较高的基于几何验证的过程。经实验表明，该模型的性能优于以前的重排序方法，且使用更少的 - 通过最大化本地互信息来进行多模态表征学习
该研究提出并演示了一种利用图像和文本间局部特征的互信息最大化的表示学习方法，以此训练图像和文本编码器，使其表现出高局部互信息，实验结果显示该方法在图像分类任务中具有优势。
- ECCV单图像深度预测使特征匹配更易
本论文提出了一种有效提取局部特征的方法，使用基于 CNN 的深度图像，对图像进行预处理和透视校正，以增强 SIFT 和 BRISK 特征的匹配，从而提高 3D 重新定位和多视角重建的鲁棒性。
- 在相机几何计算中实现仿射对应
本文提出了一种有效使用区域匹配的指导方针，并结合对称强度匹配的局部特征几何形状精炼方法，将不确定性传递到 RANSAC 中，并适应样本手性检查来进行单应性估计；实验结果表明，按照本文提出的指导方针，仿射求解器可以在更快的运行时间内实现与基于 - 图结构主题神经网络
本文提出了 GraphSTONE，一种基于 GCN 模型的结构话题神经网络，利用图的主题模型，从概率角度捕获广泛的指示性图结构。同时，通过设计多视图 GCN 统一节点特征和结构主题特征，并利用结构主题来指导聚合，从而达到高效和可解释性。
- 跨宽基线的图像匹配：从理论到实践
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 - ECCV图像搜索中深度局部和全局特征的统一
该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。
- CVPR基于网格连接的 3D 模型重建技术
本文介绍了一种使用小的网格片段（Meshlets）来学习局部形态先验的方法，该方法可以用于重建目标物品的网格，即使存在大量噪声和点数较少的情况。
- AAAI人员再识别关系网络
本研究提出了一种新的人物再识别关系网络，考虑了个体身体部位之间以及部位与其他部位之间的相互关系，有效提高了特征辨别能力，同时使用全局对比池化方法获取人物图像的全局特征，该方法已在多个数据集上实证表明其优越性。
- EMNLP基于文本级图神经网络的文本分类
提出了一种新的基于图神经网络的模型，通过全局参数共享建立每个输入文本的图形而不是整个语料库的单个图形，这种方法支持在线测试，同时提取更多的本地特征和显著降低边缘数量以及内存消耗，在多个文本分类数据集上性能优于现有模型。
- ICCV多层域自适应学习用于跨领域检测
提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。