- ECCV学习组合超列以进行视觉对应
文章提出了一种新方法，名为 Dynamic Hyperpixel Flow，利用条件图像在深度卷积神经网络中选择少数相关层，动态构成有效特征，从而在语义对应任务中取得了表现显著的提升。
- CVPR基于参考的草图图像着色：增强自身参考和稠密语义对应
本研究提出了一种基于参考图像的自动着色任务的方法，使用几何失真的相同图像作为虚拟参考，以保证着色输出图像的基本真实性和密集语义对应关系，在内部注意机制中利用密集语义对应关系实现了颜色从参考到草图输入的转换，并在定量和定性评估中展示了该方法的 - CVPR条件图像生成的注意力归一化
本研究提出了注意力归一化模块 (AN) 用于改进图像的长程关联性以及利用语义对分割特征图进行处理，相比于自注意力 GAN，AN 不需要测量所有位置之间的关联性，因此可以直接应用于大尺寸的特征图，本文通过对比实验证明了 AN 的有效性。
- 利用对象级先验学习语义对应关系
研究使用二进制前景掩码并经过合成几何变形的图像来训练卷积神经网络（CNN），以解决语义对应问题，提出了一种新的 CNN 体系结构（称为 SFNet），其实现了这一想法，并展示了在标准基准测试中明显优于现有技术的实验结果。
- MM聚焦注意力：一种双向焦点注意力网络用于图像 - 文本匹配
提出了一种新颖的双向焦点注意力网络（BFAN），它不仅允许关注相关部分，而且将所有关注点都集中在这些相关部分上以消除无关的碎片，实现了图像与文本之间的语义对齐，表现出优越性能。
- ICCV动态上下文对应网络（DCN）用于语义对齐
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。
- ICCVSPair-71k：用于语义对应的大规模基准测试数据集
该论文提出一种新的大规模基准数据集 SPair-71k 用于在计算机视觉领域解决语义对应问题，其中包含大量变化视角和尺度的图像，从而为解决语义对应问题提供了可靠的测试基础和促进此领域的进一步发展。
- CVPRSFNet: 学习物体感知的语义对应性
通过使用二进制前景蒙版和几何变形训练卷积神经网络（CNN）实现语义对应的密集流场，提出了一种新的 CNN 框架 SFNet，并在各项基准测试中表现出比现有方案更好的泛化性能。
- ECCV具有偏移感知相关核的注意力语义对齐
本研究提出了一种专注于可靠的关联，过滤掉干扰信息的关注语义对齐方法，并结合偏移感知的相关内核实现优化，通过实验证明了其在语义对应问题上的卓越表现。
- 视频重新本地化
提出了视频重新本地化任务以解决语义相应问题，并构建一个新的数据集，基于跨门控双线性匹配模型对查询视频进行权重匹配，解决了开始和结束时间的分类问题，在视频监控等多个领域具有重要应用。
- ACL利用卷积神经网络捕获实体链接的语义相似性
使用卷积神经网络对实体链接中的上下文信息进行建模，以获取语义对应关系，结合稀疏线性模型，实现了多种实体链接数据集的最佳结果。
- ICCV每个像素都是分类器的密集语义对应
本文探讨了将语义对应视为约束检测问题的可能性，介绍了使用 LDA 分类器学习每个像素点的方法，并将该问题表述为图模型。