Neural Matching Fields: Implicit Representation of Matching Fields for Visual Correspondence
Korea University（高丽大学）；UC Berkeley（加州大学伯克利分校）；Ewha Womans University（梨花女子大学）
现有的语义对应管道通常包括提取高级语义特征，以实现对类内变化和背景杂波的不变性。然而，这种架构不可避免地导致低分辨率匹配场，该低分辨率匹配场另外需要ad-hoc插值过程作为用于将其转换成高分辨率匹配场的后处理，这当然限制了匹配结果的整体性能。为了克服这一点，启发最近成功的隐式神经表征，我们提出了一种新的方法，语义对应，称为神经匹配场（NeMF）。然而，4D匹配场的复杂性和高维性是主要的障碍，我们提出了一个成本嵌入网络来处理一个粗略的成本体积，作为指导，通过以下全连接网络建立高精度的匹配场。然而，主要由于计算复杂性，学习高维匹配场仍然具有挑战性，因为朴素穷举推断将需要从4D空间中的所有像素查询以推断逐像素对应。为了克服这一点，我们提出了足够的训练和推理过程，在训练阶段，我们随机抽样匹配的候选人，并在推理阶段，我们迭代地执行基于PatchMatch的推理和协调优化在测试时。有了这些相结合，竞争力的结果达到了语义对应的几个标准基准。代码和预先训练的权重可在www.example.com上获得。
2022-10-06 cs.CV
PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence
National University of Defense Technology（国防科技大学）；Shenzhen Loop Area Institute（深圳河套学院）；School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳人工智能学院）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳研究院）
本文提出PAUL框架，通过不确定性感知的共增强和证据共训练，解决跨视图地理定位中的噪声对应问题，提升鲁棒性。
2026-03-23 cs.CV
Robust Noisy Correspondence Learning via Self-Drop and Dual-Weight
College of Computer Science and Software Engineer, Hohai University（河海大学计算机与软件学院）；College of Artificial Intelligence and Automation, Hohai University（河海大学人工智能与自动化学院）；NARI Technology Co., Ltd.（南瑞科技股份有限公司）；School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院）
针对跨模态匹配中互联网收集数据存在的噪声对应关系问题，提出基于四分类的自丢弃与双权重方法，通过丢弃噪声样本、双权重调节样本利用，提升高噪声率下的模型鲁棒性，经三个主流数据集验证有效。
2024-12-11 cs.CV
Person Re-identification with Correspondence Structure Learning
Shanghai Jiao Tong University（上海交通大学）；Zhengzhou University（郑州大学）；Nanjing University（南京大学）；Microsoft Research Asia（微软亚洲研究院）
本文讨论的问题，由于相机的角度变化或人体姿态变化的人重新识别的空间错位处理。我们首先介绍了一种基于提升的方法来学习对应结构，该结构指示来自目标相机对的图像之间的逐块匹配概率。学习的对应结构不仅可以捕获相机之间的空间对应模式，而且还可以处理各个图像中的视点或人体姿势变化。我们进一步介绍了一个基于全局的匹配过程。它集成了一个全局匹配约束的学习对应结构，以排除跨视图的错位在图像补丁匹配过程中，从而实现了更可靠的图像之间的匹配得分。在不同数据集上的实验结果证明了该方法的有效性。
2015-04-23 cs.CV
Convolutional Hough Matching Networks for Robust and Efficient Visual Correspondence
尽管在特征表示方面取得了进展，但利用几何关系对于在图像的大变化下建立可靠的视觉对应至关重要。在这项工作中，我们介绍了一个霍夫变换的卷积匹配的角度，并提出了一个有效的几何匹配算法，称为卷积霍夫匹配（CHM）。该方法将候选匹配的相似性分布在几何变换空间上，并以卷积方式对其进行评估。我们将其转换为一个具有半各向同性高维内核的可训练神经层，该层通过少量可解释参数学习非刚性匹配。为了进一步提高高维投票的效率，我们还建议使用一个有效的核分解与中心枢轴邻居，这显着稀疏所提出的半各向同性内核没有性能下降。为了验证所提出的技术，我们开发了具有CHM层的神经网络，该CHM层在平移和缩放空间中执行卷积匹配。我们的方法在语义视觉对应的标准基准上设置了一个新的艺术状态，证明了其对具有挑战性的类内变化的强大鲁棒性。
2021-09-11 cs.CV
Graph Structured Network for Image-Text Matching
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；University of Science and Technology of China（中国科学技术大学）；Xiaomi AI Lab（小米人工智能实验室）
图文匹配作为视觉和语言之间的桥梁，越来越受到人们的关注。关键的挑战在于如何学习图像和文本之间的对应关系。现有的作品学习粗糙的对应关系的基础上对象共现统计，而无法学习细粒度的短语对应关系。在本文中，我们提出了一种新的图结构匹配网络（GSMN）学习细粒度的对应。GSMN将对象、关系和属性显式地建模为结构化短语，不仅可以分别学习对象、关系和属性的对应关系，而且有利于学习结构化短语的细粒度对应关系。这通过节点级匹配和结构级匹配来实现。节点级匹配将每个节点与来自另一模态的其相关节点相关联，其中节点可以是对象、关系或属性。然后，相关节点通过在结构级匹配处融合邻域关联来联合推断细粒度对应。综合实验表明，GSMN在基准测试中的性能优于最先进的方法，在Flickr30K和MSCOCO上的相对Recall@1分别提高了近7%和2%。代码将在https://github.com/CrossmodalGroup/GSMN上发布。
2020-04-01 cs.CV
Leveraging Diffusion Model and Image Foundation Model for Improved Correspondence Matching in Coronary Angiography
United Imaging Intelligence（联影智能）；Vanderbilt University（范德堡大学）
针对冠状动脉造影图像对应匹配困难的问题，提出一种利用扩散模型生成高质量合成数据并借助大规模图像基础模型引导特征聚合的新方法，显著提升了匹配准确性与泛化能力。
2025-03-31 cs.CV
Geometric Polynomial Constraints in Higher-Order Graph Matching
SRI International（SRI国际）；University of Pennsylvania（宾夕法尼亚大学）
对应是计算机视觉中普遍存在的问题，图匹配是将对应形式化为优化问题的自然方法。最近，图匹配求解器已经包括表示超越一元和成对水平的亲和力的高阶项。这种高阶项对于包括三个或更多对应关系的几何约束具有特别的吸引力，如P2 D-3D姿势问题。在本文中，我们解决了在没有一元或成对约束的情况下找到对应关系的问题，因为它出现在一元外观相似性，如SIFT匹配不可用的问题中。当前的高阶匹配方法针对的问题是，高阶亲和度可以简单地用公式表示为诸如长度、角度或交比的不变性的差异。在本文中，我们提出了一种方法，如何应用几何约束建模为多项式方程组。与RANSAC相反，RANSAC必须求解这样的系统，然后针对内点假设进行测试，我们的约束是基于$n>2$假设的对应关系导出的，而无需求解多项式系统。由于结果是直接对应没有变换模型，我们的方法支持对应匹配存在多个几何变换，如关节运动。
2014-05-24 cs.CV
Multi-scale Matching Networks for Semantic Correspondence
Fudan University（复旦大学）；Shanghai Key Lab of Intelligent Information Processing（上海市智能信息处理重点实验室）；The University of Hong Kong（香港大学）
在以前的各种工作中，深度特征已经被证明在构建精确的密集语义对应方面是强大的。然而，卷积神经网络的多尺度和金字塔层次尚未被很好地研究以学习用于语义对应的有区别的像素级特征。在本文中，我们提出了一个多尺度匹配网络，是敏感的相邻像素之间的微小语义差异。我们遵循从粗到精的匹配策略，构建了一个自上而下的特征和匹配增强方案，该方案与深度卷积神经网络的多尺度层次结构相结合。在特征增强过程中，尺度内增强通过局部自注意将来自多个层的相同分辨率特征图融合在一起，而跨尺度增强沿着自上而下的层次结构产生更高分辨率的特征图。此外，我们在不同的尺度上学习互补的匹配细节，从而使整体的匹配分数逐渐被不同语义层次的特征所细化。我们的多尺度匹配网络可以很容易地进行端到端训练，只需很少的额外可学习参数。实验结果表明，该方法实现了最先进的性能在三个流行的基准与高计算效率。
2021-08-27 cs.CV
Geometric Image Correspondence Verification by Dense Pixel Matching
Nokia Technologies（诺基亚技术公司）；Aalto University（阿尔托大学）
本文讨论了确定两幅图像之间密集像素对应关系的问题，并将其应用于图像检索中的几何对应关系验证。的主要贡献是几何对应验证方法重新排序检索到的数据库图像的基础上，其密集的成对匹配的查询图像在像素级的短名单。我们确定了一组循环一致的密集像素匹配的图像对之间的匹配，并使用基于神经网络的图像描述符的匹配像素的局部相似性进行评估。最后的重新排序是基于一种新的相似性函数，它融合了局部相似性度量与全局相似性度量和几何一致性度量计算的匹配像素。对于密集匹配，我们的方法利用了最近提出的密集几何对应网络（DGC-Net）的修改版本，我们还通过优化架构来改进。所提出的模型和相似性度量相媲美的国家的最先进的图像检索方法。此外，我们将我们的方法应用于长期视觉定位的问题，展示了有希望的结果和跨数据集的泛化。
2020-08-17 cs.CV
Deep Matching Prior: Test-Time Optimization for Dense Correspondence
Korea University（高丽大学）
在视觉上或语义上相似的图像之间建立密集对应的传统技术集中在设计特定于任务的匹配先验上，这是难以建模的。为了克服这一点，最近的基于学习的方法已经尝试在大的训练数据上学习模型本身内的良好匹配先验。性能改进是明显的，但需要足够的训练数据和强化学习阻碍了它们的适用性。此外，在测试时使用固定模型并没有考虑到一对图像可能需要自己的先验知识这一事实，从而提供了有限的性能并且对看不见的图像的泛化能力较差。在本文中，我们证明了可以通过单独优化输入图像对上的未训练匹配网络来捕获特定于图像对的先验。针对这种密集对应的测试时间优化，我们提出了一个残差匹配网络和一个置信度感知的对比损失，以保证有意义的收敛。实验表明，我们的框架，被称为深度匹配先验（Deep Matching Prior，缩写为MMM），是有竞争力的，甚至优于，对最新的基于学习的方法在几个基准几何匹配和语义匹配，即使它既不需要大的训练数据，也不需要密集的学习。通过预先训练的网络，它在所有基准测试中都达到了最先进的性能。
2021-12-15 cs.CV
Iterative Clustering with Game-Theoretic Matching for Robust Multi-consistency Correspondence
West Virginia University（西弗吉尼亚大学）；Huazhong University of Science and Technology（华中科技大学）
在两幅图像之间匹配对应的特征是计算机视觉的一项基本任务，在物体识别、机器人和三维重建中有许多应用。图像特征匹配的当前技术状态集中于在静态场景中建立单一一致性;相比之下，在动态场景中发现多个一致性的研究还不够。在本文中，我们提出了一个端到端的优化框架命名为“迭代聚类与博弈论匹配”（ic-GTM）的鲁棒多一致性对应。其关键思想是制定多一致性匹配作为一个广义的聚类问题的图像对。在我们的配方中，几个本地匹配游戏的指导下，同时进行了不同的相应的块对一个新的支付功能组成的几何和描述性的兼容性;全局匹配结果进一步迭代细化聚类和阈值的支付矩阵。我们还提出了三个新的指标来评估多一致性图像特征匹配的性能。大量的实验结果表明，所提出的框架显着优于以前的国家的最先进的方法在两个电子商务onsimilarity和多一致性数据集。
2019-09-03 cs.CV
SIM2E: Benchmarking the Group Equivariant Capability of Correspondence Matching Algorithms
Tongji University（同济大学）
对应匹配是计算机视觉和机器人应用中的一个基本问题。最近，使用神经网络解决对应匹配问题已经兴起。旋转等方差和尺度等方差在对应匹配应用中都是至关重要的。经典的对应匹配方法被设计为承受缩放和旋转变换。然而，使用卷积神经网络（CNN）提取的特征在一定程度上只是一种等变的。最近，研究人员一直在努力提高基于群论的CNN的旋转等方差。Sim（2）是2D平面中的相似变换群。本文提出了一个专门的数据集，致力于评估sim（2）-等变对应匹配算法。我们比较了16种最先进的（SoTA）对应匹配方法的性能。实验结果证明了群等变算法在各种sim（2）变换条件下对应匹配的重要性。由于基于CNN的对应匹配方法实现的亚像素精度不令人满意，因此在未来的工作中需要更多关注这一特定领域。我们的数据集可在mias.group/SIM2E上公开获取。
2022-08-21 cs.AI cs.CV
Towards Establishing Dense Correspondence on Multiview Coronary Angiography: From Point-to-Point to Curve-to-Curve Query Matching
University of Pennsylvania（宾夕法尼亚大学）；Siemens Healthineers（西门子医疗）
针对多视图冠脉造影2D投影缺3D信息、有视觉歧义的问题，提出基于CCTA模拟数据的点到点再到曲线到曲线的查询匹配方法，建立密集对应关系，在1260组图像对上验证了可行性。
2023-12-18 cs.CV
Category-Level Global Camera Pose Estimation with Multi-Hypothesis Point Cloud Correspondences
University of Minnesota（明尼苏达大学）
对应搜索是刚性点云配准算法中必不可少的一步。大多数方法在每一步都保持一个对应关系，并逐渐删除错误的对应关系。然而，建立一对一的对应与硬分配是非常困难的，特别是当匹配两个点云与许多本地相似的功能。本文提出了一种优化方法，保留所有可能的对应关系，为每个关键点匹配时，部分点云的完整点云。这些不确定的对应关系，然后逐渐更新与估计的刚性变换，考虑匹配成本。此外，我们提出了一个新的点特征描述符，衡量局部点云区域之间的相似性。大量的实验表明，我们的方法优于国家的最先进的（SoTA）的方法，即使在同一类别中匹配不同的对象。值得注意的是，我们的方法在将真实世界的噪声深度图像配准到模板形状时的性能优于SoTA方法，高达20%。
2022-09-28 cs.CV
Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version)
Fudan University（复旦大学）；Digital Medical Research Center（数字医学研究中心）；School of Basic Medical Science（基础医学院）；Shanghai Key Laboratory of Medical Image Computing and Computer Assisted Intervention（上海市医学影像计算与计算机辅助干预重点实验室）
三维点云配准是计算机视觉和机器人学中的一个基本问题。近年来，基于学习的点云配准方法取得了很大的进展。然而，这些方法是敏感的离群值，这导致更多的不正确的对应关系。在本文中，我们提出了一种新的基于深度图匹配的点云配准框架。具体来说，我们首先将点云转换为图形，并提取每个点的深层特征。然后，我们开发了一个基于深度图匹配的模块来计算软对应矩阵。利用图匹配建立对应关系时，不仅考虑了点的局部几何特征，而且考虑了点在更大范围内的结构和拓扑特征，从而找到了更多正确的对应关系，并对网络进行了训练，损失直接定义在对应关系上，并且在测试阶段，软对应被转换为硬一一对应，使得可以通过对应来执行配准。基于solver此外，我们引入了一种基于变换的方法来生成用于图构造的边，这进一步提高了对应关系的质量。在对象级和场景级基准数据集上的大量实验表明，该方法达到了最先进的性能。代码可在以下网址获得：\href{https://github.com/fukexue/RGM}{https://github.com/fukexue/RGM}。
2022-11-09 cs.CV
Towards Discrete Solution: A Sparse Preserving Method for Correspondence Problem
Anhui University（安徽大学）
计算机视觉中的许多感兴趣的问题可以被公式化为在两个特征集之间找到一致对应的问题。具有一一映射约束的特征对应（匹配）问题通常表示为具有置换（或正交）约束的积分二次规划（IQP）问题。由于它是NP难的，需要松弛模型。优化IQP匹配问题的一个主要挑战是如何将离散的一对一映射（置换）约束纳入其二次目标优化中。本文提出了一种新的松弛模型，称为稀疏约束保持匹配（SPM），IQP匹配问题。SPM的动机是我们的观察，离散置换约束可以很好地编码通过稀疏约束。与传统的松弛模型相比，SPM可以通过稀疏约束直接引入离散的一对一映射约束，从而为原始IQP匹配问题提供更紧密的松弛。一个简单而有效的更新算法已被推导出解决所提出的SPM模型。在多个特征匹配任务上的实验结果验证了SPM方法的有效性和效率。
2018-09-20 cs.CV
Learning Local Descriptors by Optimizing the Keypoint-Correspondence Criterion: Applications to Face Matching, Learning from Unlabeled Videos and 3D-Shape Retrieval
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；Linköping University（林雪平大学）
当前最佳局部描述符是在匹配和非匹配关键点对的大型数据集上学习的。然而，这种类型的数据并不总是可用的，因为详细的关键点对应关系可能难以建立。另一方面，我们通常可以获得关键点包对的标签。例如，从同一对象在不同视图下的两个图像中提取的关键点包形成匹配对，而从不同对象的图像中提取的关键点包形成非匹配对。平均而言，匹配对应该比非匹配对包含更多的对应关键点。我们描述了一个端到端的可区分的架构，使学习的本地关键点描述符从这样的弱标记的数据。此外，我们还讨论了如何通过引入挖掘硬否定的过程来改进该方法。我们还展示了如何使用我们的方法从未标记的视频信号和3D模型中学习卷积特征。我们的实现可以在www.example.com上获得
2019-05-07 cs.CV
Learning Accurate Template Matching with Differentiable Coarse-to-Fine Correspondence Refinement
提出一种基于可微分粗到细对应精化的模板匹配方法，利用边缘感知模块和变换器结构感知信息，实现跨模态、杂乱背景和弱纹理下的精确匹配，显著优于现有方法。
2023-03-15 cs.CV
Dynamic Uncertainty Learning with Noisy Correspondence for Text-Based Person Search
Zhejiang University（浙江大学）；Beijing University of Posts Telecommunications（北京邮电大学）；Beijing Forestry University（北京林业大学）；Northwest Normal University（西北师范大学）
本文提出DURA框架，通过动态不确定性学习和关系对齐方法，提升基于文本的人脸搜索在噪声环境下的鲁棒性和检索性能。
2026-02-28 cs.CV
COTR: Correspondence Transformer for Matching Across Images
University of British Columbia（不列颠哥伦比亚大学）；Google Research（谷歌研究院）；University of Toronto（多伦多大学）
我们提出了一种基于深度神经网络的新型框架，用于查找图像中的对应关系，给定两张图像和其中一张图像中的查询点，该框架可以在另一张图像中找到其对应关系。通过这样做，可以选择仅查询感兴趣的点并检索稀疏对应，或者查询图像中的所有点并获得密集映射。重要的是，为了捕获局部和全局先验，并让我们的模型使用所述先验中最相关的图像区域之间的关系，我们使用Transformer实现我们的网络。在推理时，我们通过递归地放大估计值来应用我们的对应网络，从而产生一个能够提供高精度对应关系的多尺度管道。我们的方法在多个数据集和任务上的稀疏和密集对应问题上显着优于现有技术，范围从宽基线立体到光流，而无需对特定数据集进行任何重新训练。我们承诺发布数据、代码和所有必要的工具，从头开始训练并确保可重复性。
2021-08-17 cs.CV
U-mesh: Human Correspondence Matching with Mesh Convolutional Networks
Technion-Israel Institute of Technology（以色列理工学院）
3D扫描技术的发展推动了对解释几何数据的方法的需求，特别是对于人类受试者。在本文中，我们提出了一个优雅的融合回归（自下而上）和生成（自上而下）的方法，以适应参数模板模型的原始扫描网格。我们的第一个主要贡献是一个内在的卷积网格U-net架构，它预测与模板表面的逐点对应。软对应被公式化为新构造的笛卡尔空间中的坐标。将对应关系建模为欧几里德接近度可以实现有效的优化，无论是对于网络训练还是对于算法的下一步。我们的第二个贡献是一个生成优化算法，它使用U网对应预测来指导参数迭代最近点配准。通过使用预先训练的人体表面参数模型，我们最大限度地利用特定领域的先验知识。网格卷积网络与生成模型拟合的配对使我们能够预测真实人体表面扫描的对应关系，包括遮挡、局部性和不同的属（例如，来自自接触）。我们评估所提出的方法上的FAUST对应的挑战，我们实现了20%（33%）的改进，超过最先进的方法间（内）的主题对应。
2021-08-22 cs.CV
Generalized Correspondence Matching via Flexible Hierarchical Refinement and Patch Descriptor Distillation
Donghua University（东华大学）；the Hong Kong University of Science and Technology（香港科技大学）；Tongji University（同济大学）
针对现有最先进的即插即用对应匹配方法DFM的局限性，提出灵活最近邻分层细化与块描述符蒸馏方法，拓展骨干网络适配性并降低计算量，在多数据集上实现性能超越。
2024-03-08 cs.CV
Bridging Stereo Matching and Optical Flow via Spatiotemporal Correspondence
National Chiao Tung University（国立交通大学）；NEC Laboratories America（NEC美国实验室）
立体匹配和流估计是场景理解的两个基本任务，在三维空间和运动的时间。现有的方法一直集中在无监督的设置，由于有限的资源，以获得大规模的地面实况数据。为了构建一个可自学的目标，相关的任务通常被连接在一起，形成一个联合框架。然而，先前的工作通常为每个任务使用独立的网络，因此不允许跨模型学习共享的特征表示。在本文中，我们提出了一个单一的和原则性的网络，共同学习立体匹配和流量估计的时空对应，与一个新设计的几何连接作为无监督信号的时间相邻的立体声对。我们表明，我们的方法表现良好，对几个国家的最先进的基线，无监督的深度和流量估计的KITTI基准数据集。
2019-05-22 cs.CV
Unsupervised Feature Learning for Dense Correspondences across Scenes
Beijing Institute of Technology（北京理工大学）；The University of Adelaide（阿德莱德大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）
我们提出了一种快速，准确的匹配方法，估计密集的像素对应场景。估计描绘相同对象类别的不同场景或实例的图像之间的密集像素对应关系是一个具有挑战性的问题。虽然大多数这样的匹配方法依赖于手工制作的特征，如SIFT，但我们使用无监督学习从大量未标记的图像块中学习特征。像素层特征是通过对字典进行编码来获得的，然后通过空间池化来获得补丁层特征。然后将学习到的特征无缝嵌入到多层匹配框架中。我们的实验表明，学习的功能，与我们的匹配模型，优于国家的最先进的方法，如SIFT流，一致性敏感哈希和最近的可变形空间金字塔匹配方法的准确性和计算效率。此外，我们评估了几种不同的字典学习和特征编码方法在建议的像素对应关系估计框架的性能，并分析了字典学习和特征编码对最终匹配性能的影响。
2015-04-23 cs.CV
Boosting Video Object Segmentation via Space-time Correspondence Learning
Shanghai Jiao Tong University（上海交通大学）；Zhejiang University（浙江大学）
本文提出对应感知训练框架，通过无标签对比对应学习增强匹配式视频目标分割的时空匹配鲁棒性，在不增加标注、延迟和架构改动的前提下，于多个基准上稳定提升性能。
2023-04-13 cs.CV
Matching 2D Images in 3D: Metric Relative Pose from Metric Correspondences
Niantic（Niantic公司）；University of Oxford（牛津大学）
本文提出MicKey关键点匹配流程，通过学习跨图像匹配3D相机坐标，仅用图像对和相对位姿监督即可估计度量相对位姿，并在Map-Free Relocalisation基准上达到最优性能。
2024-04-09 cs.CV
Semantic Attribute Matching Networks
Yonsei University（延世大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Ewha Womans University（梨花女子大学）
我们提出了语义属性匹配网络（SAM-Net），用于在语义相似的图像之间联合建立对应关系和传输属性，它智能地编织了这两项任务的优点，同时克服了它们的局限性。SAM-Net通过建立可靠对应关系的迭代过程来实现这一点，该过程通过减少图像之间的属性差异并使用学习的对应关系合成属性转移图像来实现。为了使用图像对形式的弱监督来学习网络，我们提出了一种基于属性转移源特征和变形目标特征之间的匹配相似度的语义属性匹配损失。SAM-Net在语义匹配和属性传递的几个基准测试中获得了最先进的性能。
2019-04-05 cs.CV
SPIDER: Spatial Image CorresponDence Estimator for Robust Calibration
Johns Hopkins University（约翰霍普金斯大学）
SPIDER是一种通用的图像匹配框架，通过整合共享特征提取主干和两个专用网络头，有效提升在不同场景下的鲁棒性与准确性。
2025-12-26 cs.CV
MV-RoMa: From Pairwise Matching into Multi-View Track Reconstruction
KAIST（韩国科学技术院）；Seoul National University（首尔大学）
MV-RoMa通过多视角密集匹配模型，联合估计源图像到多个共视目标的密集对应关系，提升3D重建的准确性和密度。
2026-03-29 cs.CV
Deep Spectral Correspondence for Matching Disparate Image Pairs
The University of Georgia（佐治亚大学）；Netaji Subhas Institute of Technology（内塔吉·苏巴斯理工学院）；Technische Universitat Darmstadt（达姆施塔特工业大学）
提出了一种新的、基于非学习的、显著性感知的、形状认知的对应确定技术，用于匹配本质上明显不同的图像对。现实世界中的图像在尺度、方向、视点、光照和仿射投影参数等方面往往表现出高度的变化，并且常常伴随着无纹理区域的存在以及场景对象的完全或部分遮挡。上述条件通过使得使用全局基于轮廓的描述符或局部像素级特征来建立对应性不切实际而混淆了大多数对应性确定技术。建议的深谱对应（DSC）确定方案利用局部特征描述符的代表性的权力，以获得一个复杂的高层次的全球形状表示匹配不同的图像。该方案的原因不同的图像之间的对应关系，使用高级别的全球形状线索来自低级别的本地特征描述符。因此，所提出的方案享有两全其美的好处，即，对仿射参数（例如，由全局形状线索提供的尺度、方向、视点、照明）的高度不变性以及对由低级特征描述符提供的遮挡的鲁棒性。虽然所提出的方案中的基于形状的组件推断要寻找什么，但一个额外的基于显着性的组件规定了要看哪里，从而解决了无纹理区域和复杂背景的存在所引起的噪声对应。在所提出的方案中，使用在外观中的兴趣点之间计算的距离来构造联合图像图（即，图像）空间。联合图像图的本征谱分解允许在外观空间和本征空间中联合执行关于形状相似性的推理。
2018-09-12 cs.CV
A Performance Evaluation of Correspondence Grouping Methods for 3D Rigid Data Matching
Northwestern Polytechnical University（西北工业大学）；Huazhong University of Science and Technology（华中科技大学）
在3D刚性数据（点云、网格或深度图）之间寻求一致的点对点对应关系是3D计算机视觉中的一个基本问题。虽然近年来已经提出了一些对应选择方法，但它们的优点和缺点对于不同的应用和扰动仍然不清楚。为了填补这一空白，本文给出了一个综合评价的9个国家的最先进的三维对应分组方法。一个好的对应分组算法期望从初始特征匹配中检索尽可能多的内点，从而提高精度和召回率，并促进准确的变换估计。针对这一规则，我们部署实验在三个基准与不同的应用环境，包括形状检索，3D对象识别，点云配准以及各种扰动，如噪声，点密度变化，杂波，遮挡，部分重叠，不同尺度的初始对应关系，以及关键点检测器和描述符的不同组合。丰富多样的应用场景和干扰导致初始特征对应的不同空间分布和内点比率，从而能够进行彻底的评估。在此基础上，我们总结了评价方法的特点和优缺点，并指出了未来的研究方向。
2019-07-05 cs.CV
Graph Correspondence Transfer for Person Re-identification
Shanghai Jiao Tong University（上海交通大学）；South China University of Technology（华南理工大学）；Temple University（天普大学）；Tsinghua University（清华大学）；Tencent（腾讯）
在本文中，我们提出了一个图形对应转移（GCT）的方法，人的重新识别。与现有的方法不同，GCT模型将人的重新识别归结为离线的图匹配和在线的对应关系转换问题。具体而言，在训练期间，GCT模型旨在通过逐块图匹配从具有各种姿态对配置的正训练对离线学习一组对应模板。在测试过程中，对于每一对测试样本，我们选择了几个训练对与最相似的姿势对配置作为参考，并将这些参考的对应关系转移到测试对进行特征距离计算。通过聚合来自不同参考的距离来导出匹配分数。对于每个探测图像，具有最高匹配分数的图库图像是重新识别结果。与现有的算法相比，我们的GCT可以处理空间错位所造成的视角和人体姿态的大变化，由于补丁明智的图匹配的好处。在VIPeR、Road、PRID450S、3DPES和CUHK01等5个基准上的实验结果表明，GCT模型的性能优于其他方法。
2018-04-01 cs.CV
3DG-STFM: 3D Geometric Guided Student-Teacher Feature Matching
Purdue University（普渡大学）；XPeng Motors（小鹏汽车）
我们解决了在一对图像之间找到密集的视觉对应的基本任务。这是一个具有挑战性的问题，由于各种因素，如不良的纹理，重复的模式，照明变化，和运动模糊的实际情况。与使用密集对应地面实况作为局部特征匹配训练的直接监督的方法相比，我们训练3DG-STFM：多模态匹配模型（教师），以在3D密集对应监督下加强深度一致性，并将知识转移到2D单峰匹配模型（学生）。教师和学生模型都由两个基于变换器的匹配模块组成，它们以从粗到细的方式获得密集的对应关系。教师模型引导学生模型学习RGB诱导的深度信息，用于粗分支和细分支上的匹配目的。我们还评估了3DG-STFM的模型压缩任务。据我们所知，3DG-STFM是第一个用于局部特征匹配任务的学生-教师学习方法。实验表明，我们的方法优于国家的最先进的方法在室内和室外摄像机的姿态估计，单应性估计问题。代码可在：https://github.com/Ryan-prime/3DG-STFM.
2022-07-19 cs.CV
Robust Point Cloud Registration Framework Based on Deep Graph Matching
Digital Medical Research Center（数字医学研究中心）；School of Basic Medical Science（基础医学院）；Fudan University（复旦大学）；Shanghai Key Lab of Medical Image Computing and Computer Assisted Intervention（上海医学影像计算与计算机辅助介入重点实验室）
三维点云配准是计算机视觉和机器人学中的一个基本问题。在这方面已经有了广泛的研究，但现有的方法遇到了很大的挑战，在大比例的离群值和时间限制的情况下，但没有良好的转换初始化。最近，一系列基于学习的算法已经被引入，并显示出速度上的优势。它们中的许多基于两个点云之间的对应关系，因此它们不依赖于变换初始化。然而，这些基于学习的方法对异常值敏感，这导致更多的不正确的对应关系。在本文中，我们提出了一种新的基于深度图匹配的点云配准框架。具体来说，我们首先将点云转换为图形，并提取每个点的深层特征。然后，我们开发了一个基于深度图匹配的模块来计算软对应矩阵。利用图匹配建立对应关系时，不仅考虑了点的局部几何特征，而且考虑了点在更大范围内的结构和拓扑特征，从而找到了更多正确的对应关系，并对网络进行了训练，损失直接定义在对应关系上，在测试阶段，软对应关系被转换为硬对应关系，一个对应关系使得可以通过奇异值分解来执行配准。此外，我们引入了一种基于变换的方法来生成用于图构造的边，这进一步提高了对应关系的质量。大量的实验表明，该方法实现了最先进的性能注册干净，嘈杂，部分到部分和看不见的类别点云。该守则将在www.example.com上公布。
2021-03-07 cs.CV
Joint Graph Learning and Matching for Semantic Feature Correspondence
Beijing Jiaotong University（北京交通大学）；Stony Brook University（石溪大学）
近年来，基于图神经网络（GNN）模型的深度图匹配方法在语义特征匹配方面取得了很大的进展。然而，这些方法通常依赖于启发式生成的图模式，这可能会引入不可靠的关系，损害匹配性能。在本文中，我们提出了一个联合\emph{graph learning and matching}网络，名为GLAM，探索可靠的图结构，以提高图匹配。GLAM采用纯基于注意力的框架进行图学习和图匹配。具体而言，它采用两种类型的注意力机制，自我注意和交叉注意的任务。自注意力发现特征之间的关系，并进一步更新学习结构上的特征表示;交叉注意力计算两个特征集之间的交叉图相关性，以匹配特征重建。此外，最终的匹配解决方案是直接从交叉注意层的输出，而不采用特定的匹配决策模块。在三个流行的视觉匹配基准（Pascal VOC，Willow Object和SPair-71 k）上对所提出的方法进行了评估，并且在所有基准上的显著裕度都优于以前最先进的图匹配方法。此外，通过我们的模型学习的图模式被验证能够显着增强以前的深度图匹配方法，通过用学习的图结构替换它们的手工图结构。
2021-11-17 cs.CV
Hybrid-S2S: Video Object Segmentation with Recurrent Networks and Correspondence Matching
TU Kaiserslautern（凯泽斯劳滕工业大学）；DFKI GmbH（德国人工智能研究中心有限公司）
单次视频对象分割（One-shot Video Object Segmentation，VOS）是在视频序列中逐像素跟踪感兴趣对象的任务，其中第一帧的分割掩码在推理时给出。近年来，递归神经网络（RNN）已被广泛用于VOS任务，但它们经常受到诸如漂移和错误传播等限制。在这项工作中，我们研究了基于RNN的架构，并通过提出一种名为HS 2S的混合序列到序列架构来解决其中的一些问题，该架构利用双掩码传播策略，允许将从对应匹配中获得的信息合并。我们的实验表明，用对应匹配来增强RNN是减少漂移问题的一种非常有效的解决方案。额外的信息有助于模型预测更准确的掩码，并使其对错误传播具有鲁棒性。我们在DAVIS 2017数据集以及Youtube-VOS上评估了我们的HS 2S模型。在后者中，我们在VOS中基于RNN的最先进方法的整体分割准确度上实现了11.2pp的改进。我们分析了我们的模型在具有挑战性的情况下的行为，如遮挡和长序列，并表明我们的混合架构显着提高了分割质量，在这些困难的情况下。
2020-11-07 cs.CV
Neighbor Correspondence Matching for Flow-based Video Frame Synthesis
University of Science and Technology of China（中国科学技术大学）；Microsoft Research China（微软亚洲研究院）
视频帧合成是视频处理中的一项重要技术，它包括内插和外推两部分，可以应用于各种场景。然而，大多数现有方法不能很好地处理小对象或大运动，特别是在高分辨率视频（例如4K视频）中。为了消除这种限制，我们引入了一个邻居对应匹配（NCM）算法，基于流的帧合成。由于当前帧在视频帧合成中不可用，因此以与当前帧无关的方式执行NCM以在每个像素的时空邻域中建立多尺度对应。基于NCM强大的运动表示能力，我们进一步提出了估计中间流的帧合成在一个异构的粗到细的计划。具体而言，粗尺度模块被设计为利用相邻对应来捕获大的运动，而细尺度模块在计算上更有效以加速估计过程。这两个模块都是逐步训练的，以消除训练数据集和真实世界视频之间的分辨率差距。实验结果表明，NCM在几个基准测试中达到了最先进的性能。此外，NCM还可以应用于各种实际场景，如视频压缩，以获得更好的性能。
2022-07-14 cs.CV
Efficient Deformable Shape Correspondence via Kernel Matching
TU Munich（慕尼黑工业大学）；Technion（以色列理工学院）；TAU（特拉维夫大学）；Sapienza University of Rome（罗马大学）；USI Lugano（卢加诺大学）；Intel（英特尔）
提出了一种在非等轴变形、拓扑变化和变形情况下的三维形状匹配方法。我们制定的问题之间的匹配一组成对和逐点描述符，施加连续性之前的映射，并提出了一个投影下降优化程序的启发，凸函数（DC）的差异规划。令人惊讶的是，尽管所产生的二次分配问题的高度非凸性，我们的方法收敛到语义上有意义的和连续的映射在我们的实验中，并扩展良好。我们提供了初步的理论分析和几种解释的方法。
2017-09-15 cs.CV
Intra-Modal Neighbors Never Lie: Rectifying Inter-Modal Noisy Correspondence via Graph-Based Intra-Modal Reasoning
University of Science and Technology of China（中国科学技术大学）
提出IN2R框架，利用模态内数据的几何稳定性，通过图精炼器对动态跨模态记忆中的邻居进行关系推理，合成连续软原型以纠正模态间噪声对应，显著提升跨模态检索性能。
2026-06-02 cs.CV
MATCHA:Towards Matching Anything
University of Cambridge（剑桥大学）；University of Toronto（多伦多大学）；NVIDIA（英伟达）；Vector Institute（向量研究院）
提出统一特征模型MATCHA，通过注意力模块动态融合扩散模型的高层语义与低层几何特征，并集成DINOv2对象级特征，实现单一特征在几何、语义和时间匹配任务上的最优表现。
2025-01-24 cs.CV
GOCor: Bringing Globally Optimized Correspondence Volumes into Your Neural Network
ETH Zurich（苏黎世联邦理工学院）
特征相关层在许多涉及图像对之间密集对应关系的计算机视觉问题中充当关键的神经网络模块。它预测的对应体积通过评估从两个图像中的位置对提取的特征向量之间的密集标量积。然而，当消除图像中多个相似区域的歧义时，这种点对点的特征比较是不够的，严重影响了最终任务的性能。我们提出了GOCor，一个完全可区分的密集匹配模块，作为一个直接替代的功能相关层。我们的模块生成的对应体积是内部优化过程的结果，该过程明确说明了场景中的相似区域。此外，我们的方法是能够有效地学习空间匹配先验，以解决进一步的匹配歧义。我们分析我们的GOCor模块在广泛的烧蚀实验。当集成到最先进的网络中时，我们的方法在几何匹配、光流和密集语义匹配任务中的性能显著优于特征相关层。代码和训练模型将在github.com/PruneTruong/GOCor上提供。
2021-04-05 cs.CV
Patch2Pix: Epipolar-Guided Pixel-Level Correspondences
Technical University of Munich（慕尼黑工业大学）；CIIRC Czech Technical University in Prague（布拉格捷克技术大学CIIRC）
用于视觉定位的经典匹配流水线通常涉及三个步骤：（i）局部特征检测和描述，（ii）特征匹配，以及（iii）离群值拒绝。最近出现的对应网络提出在单个网络内执行这些步骤，但由于内存瓶颈而遭受低匹配分辨率。在这项工作中，我们提出了一个新的角度来估计对应的检测到细化的方式，我们首先预测补丁级匹配的建议，然后完善它们。我们提出了Patch2Pix，一种新的细化网络，通过从这些建议定义的局部区域回归像素级匹配，并联合拒绝离群匹配与置信度得分来细化匹配建议。Patch2Pix是弱监督的，以学习与输入图像对的对极几何一致的对应关系。我们表明，我们的细化网络显着提高了图像匹配，单应性估计和定位任务的对应网络的性能。此外，我们还证明了我们的学习细化可以推广到完全监督的方法，而无需重新训练，这使我们获得了最先进的本地化性能。该代码可在https://github.com/GrumpyZhou/patch2pix上获得。
2021-03-26 cs.CV
Explicit Correspondence Matching for Generalizable Neural Radiance Fields
Monash University（墨尔本大学）；ETH Zurich（苏黎世联邦理工学院）；University of Oxford（牛津大学）；Nanyang Technological University（南洋理工大学）
本文提出一种可泛化NeRF方法，通过显式建模跨视图对应匹配信息，利用Transformer交叉注意力提升特征匹配质量，仅需两个源视图即可实现新视角合成，并在多个评估设置中取得最先进结果。
2025-08-22 cs.CV
Multi-Features Guidance Network for partial-to-partial point cloud registration
针对混合特征所带来的维数差异大、语义鸿沟大、相互干扰等问题，提出了一种新的多特征引导网络（Multi-Features Guidance Network，MFG）用于部分点云配准。该网络主要包括关键点特征提取、对应搜索、对应可信度计算和奇异值分解四个部分，其中对应搜索和对应可信度计算是网络的核心。与以前的工作不同，我们利用形状特征和空间坐标来指导对应搜索独立和融合的匹配结果，以获得最终的匹配矩阵。在对应关系可信度计算模块中，根据特征匹配矩阵和坐标匹配矩阵之间的冲突关系，对每个对应关系进行可信度评分，减少了不匹配点或不匹配点的影响。实验结果表明，我们的网络优于目前的最先进的，同时保持计算效率。
2021-09-10 cs.CV
ROML: A Robust Feature Correspondence Approach for Matching Objects in A Set of Images
Advanced Digital Sciences Center（先进数字科学中心）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；ShanghaiTech University（上海科技大学）；Nanyang Technological University（南洋理工大学）
在计算机视觉的许多应用中，基于轮廓的目标匹配是一个基本问题，如目标识别、三维重建、跟踪和运动分割。在这项工作中，我们考虑同时匹配对象实例中的一组图像，其中内点和离群点的功能被提取。任务是识别内点特征，并在整个图像集上建立它们的一致对应关系。这是一个具有挑战性的组合问题，问题的复杂性与图像的数量呈指数增长。为此，我们提出了一个新的框架，称为ROML，来解决这个问题。ROML同时优化的部分置换矩阵（PPM）的每一幅图像，和特征对应关系的建立所获得的PPM。我们的两项主要贡献概述如下。(1)我们制定的秩和稀疏性最小化PPM优化的问题，并同时优化多个PPM作为一个正则化的共识问题，在分布式优化的背景下。(2)我们使用ADMM方法来解决因此制定的ROML问题，其中一个子问题与一个单一的PPM优化似乎是一个困难的整数二次规划（IQP）。我们证明了在广泛适用的条件下，这个IQP是等价的线性和分配问题（LSAP），它可以有效地解决一个精确的解决方案。刚性/非刚性对象匹配，匹配实例的一个共同的对象类别，和共同的对象定位广泛的实验表明，我们所提出的方法的有效性。
2015-03-31 cs.CV
Geometry-Aware Feature Matching for Large-Scale Structure from Motion
Institute for Creative Technologies（创意技术研究所）；University of Southern California（南加州大学）；The Ohio State University（俄亥俄州立大学）
针对大规模 SfM 中视角变化大、重叠稀疏导致的匹配难题，提出融合颜色与几何线索的优化框架，结合无检测器稠密匹配和基于检测器的稀疏锚点，提升对应关系、位姿与点云质量。
2025-05-12 cs.CV
Flow Fields: Dense Correspondence Fields for Highly Accurate Large Displacement Optical Flow Estimation
German Research Center of Artificial Intelligence（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）
现代大位移光流算法通常使用稀疏描述符匹配技术或密集近似最近邻场的初始化。虽然后者具有密集的优点，但它们具有非常容易离群的主要缺点，因为它们不是被设计成找到光流，而是视觉上最相似的对应关系。在这篇文章中，我们提出了一个密集的对应字段的方法，是少得多的离群倾向，因此更适合于光流估计比近似最近邻字段。我们的方法不需要显式正则化，平滑（如中值滤波）或新的数据项。相反，我们完全依赖于补丁匹配技术和一种新的多尺度匹配策略。我们还提出了增强离群值过滤。我们表明，我们的方法是更适合于大位移光流估计比现代描述符匹配技术。我们通过使用我们的方法初始化EpicFlow来实现这一点，而不是他们最初使用的最先进的描述符匹配技术。我们在MPI-Sintel、KITTI 2012、KITTI 2015和Middlebury上的表现明显优于原始EpicFlow。在我们以前的会议出版物的这篇扩展文章中，我们进一步改进了我们在匹配精度和运行时间方面的方法，并提出了更多的实验和见解。
2018-10-28 cs.CV
Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images
ASRI, Dept. of ECE, Seoul National University（首尔大学电气与计算机工程系ASRI）；School of Electrical Engineering, Kookmin University（国民大学电气工程学院）
本文提出了一种稳健的对齐技术，通过扩散模型引导的迭代随机游走对应搜索（RWCS）实现标准视网膜图像（SFIs）和超宽场视网膜图像（UWFIs）的对齐，解决了尺度、外观差异和特征稀少的问题，展示了在多个视网膜图像对齐基准上的最佳性能。
2026-04-11 cs.CV
Multi-Image Semantic Matching by Mining Consistent Features
Zhejiang University（浙江大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种多图像匹配的方法来估计多个图像之间的语义对应关系。与以前的方法，优化所有成对的对应关系，所提出的方法识别和匹配的图像集合中的一个稀疏的一组可靠的功能。通过这种方式，所提出的方法能够修剪不可重复的特征，并且具有高度的可扩展性，可以处理数千张图像。我们还提出了一个低秩约束，以确保在整个图像集合的特征对应的几何一致性。除了在多图匹配和语义流基准测试上的竞争性能外，我们还证明了所提出的方法在不使用任何注释的情况下重建对象类模型和从图像中发现对象类地标的适用性。
2018-05-01 cs.CV
Self-supervised 3D Human Mesh Recovery from Noisy Point Clouds
University of Alberta（阿尔伯塔大学）；University of Toronto（多伦多大学）；University of Guleph（圭尔夫大学）
本文提出了一种新的自监督的方法来重建人体形状和姿态从噪声点云数据。依赖于大量具有地面实况注释的数据集，最近基于学习的方法预测点云上每个顶点的对应关系;倒角距离通常用于最小化变形模板模型与输入点云之间的距离。然而，倒角距离对噪声和离群值非常敏感，因此分配对应关系可能不可靠。为了解决这些问题，我们模拟的输入点云的概率分布，从一个参数化的人体模型下的高斯混合模型。而不是显式对齐对应，我们把对应搜索的过程作为一个隐式的概率关联，通过更新给定输入的模板模型的后验概率。一种新的自监督损失进一步推导出惩罚变形的模板和输入点云之间的差异的条件下的后验概率。我们的方法非常灵活，它可以处理完整的点云和不完整的点云，甚至包括单个深度图像作为输入。与以前的自监督方法相比，我们的方法显示出处理大量噪声和离群值的能力。在各种公共合成数据集以及非常嘈杂的真实数据集（即CMU Panoptic）上进行的大量实验证明了我们的方法优于最先进的方法。
2021-11-26 cs.CV
A Practical Maximum Clique Algorithm for Matching with Pairwise Constraints
The University of Adelaide（阿德莱德大学）；University of Potsdam（波茨坦大学）
3D点云配准的一个流行范例是通过提取3D关键点对应关系，然后使用鲁棒算法从对应关系估计配准函数。然而，许多现有的3D关键点技术往往会产生大比例的错误对应或离群值，这显著增加了鲁棒估计的成本。另一种方法是直接搜索成对一致的对应子集，而不优化配准函数。这就产生了配对约束匹配的组合问题。在本文中，我们提出了一个非常有效的最大团算法来解决配对约束的匹配。我们的技术结合了树搜索与高效的边界和修剪的基础上图着色。我们证明，尽管理论上的棘手性，许多实际问题的情况下，可以解决准确和快速（秒到分钟）与我们的算法，这使得我们的方法是一个很好的替代标准的强大的3D配准技术。
2020-02-27 cs.CV
Co-matching: Combating Noisy Labels by Augmentation Anchoring
Mcmaster University（麦克马斯特大学）
具有噪声标签的深度学习具有挑战性，因为深度神经网络具有记忆噪声标签的高容量。在本文中，我们提出了一个学习算法称为协同匹配，它平衡了两个网络之间的一致性和分歧的增强锚定。具体来说，我们让一个网络从它对弱增强图像的预测中生成锚定标签。同时，我们强制其对等网络，以同一图像的强增强版本作为输入，生成接近锚定标签的预测。然后，我们通过选择小损失实例来同时更新两个网络，以最小化两个无监督匹配损失（即，测量两个网络的一致性）和监督分类损失（即测量分类性能）。此外，无监督匹配损失使得我们的方法不严重依赖于噪声标签，这防止了噪声标签的记忆。在三个基准数据集上的实验表明，协同匹配达到了与最先进的方法相当的结果。
2021-03-23 cs.CV cs.LG
Diff-Reg v1: Diffusion Matching Model for Registration Problem
Nanjing University of Science and Technology（南京理工大学）；National University of Singapore（新加坡国立大学）；Czech Technical University in Prague（布拉格捷克技术大学）；Nanjing University（南京大学）
针对配准任务中特征匹配的模糊性与单次预测易陷局部极小值的问题，提出将对应关系估计建模为双随机矩阵空间中的去噪扩散过程，通过前向加噪与反向迭代细化实现高质量匹配，并在3D及2D3D配准任务上验证了其有效性。
2024-07-25 cs.CV
