×
马嘉仪;姜兴宇;樊、傲翔;姜俊军;严俊驰

从手工到深层特征的图像匹配：一项调查。 （英语） Zbl 1483.68439号

国际期刊计算。视觉。 129，第1期，23-79（2021年）.
摘要：在各种视觉应用中，图像匹配是一项基本而关键的任务，它可以从两个或多个图像中识别出相同或相似的结构/内容，然后将其对应起来。在过去的几十年里，人们提出了越来越多的图像匹配方法，特别是近年来随着深度学习技术的发展。然而，对于不同的场景和任务要求，哪种方法适合特定应用，以及如何设计更好的图像匹配方法，在准确性、鲁棒性和效率方面具有优异的性能，这可能会留下一些悬而未决的问题。这鼓励我们对这些经典和最新技术进行全面和系统的审查和分析。根据基于特征的图像匹配流水线，我们首先介绍了从手工方法到可训练方法的特征检测、描述和匹配技术，并分析了这些方法在理论和实践中的发展。其次，我们简要介绍了几种典型的基于图像匹配的应用，以全面了解图像匹配的重要性。此外，我们还通过对代表性数据集的广泛实验，对这些经典技术和最新技术进行了全面、客观的比较。最后，我们总结了图像匹配技术的现状，并对未来的工作进行了深入的讨论和展望。本调查可为（但不限于）图像匹配及相关领域的研究人员和工程师提供参考。

引用于2文件

MSC公司：

68T45型 机器视觉和场景理解
68T07型 人工神经网络与深度学习
68单位10 图像处理的计算方法

关键词：

图像匹配;图形匹配;特征匹配;登记;手工制作的特征;深度学习

软件：

LF-Net（LF-Net）;ORB-SLAM（砰砰声）;SuperPoint（超级点）;SIRF公司;总经理;超级胶水;3D匹配;阿波罗Scape;倾斜;HP补丁;冲浪;FusionGAN公司;SIFER公司;像素x像素;MAGSAC公司++;LMNN公司;PPF网;CycleGAN公司;ASL加热;SIFT公司;PASCAL挥发性有机化合物;Quicksilver公司;YFCC1亿;布里斯克;D2-净;Go-ICP公司;PointNet（点网）;MatchNet（匹配网络）;KAZE功能;MonoSLAM公司;怪胎;FlowNet公司;上下文描述;美国大西洋海岸;ORB-SLAM2;钥匙。净额;PCA-SIFT公司;宾根;SOS网;L2-网络;R2D2型;西娅;ASIFT公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Ma}等人，《国际计算杂志》。视觉。129，编号1，23--79（2021；Zbl 1483.68439）
全文： 内政部

参考文献：

[1] Aans，H。；达尔，阿拉巴马州；堪萨斯州佩德森，《有趣的兴趣点》，《国际计算机视觉杂志》，97，1，18-35（2012）
[2] Aans，H。；Jensen，RR；Vogiatzis，G。；托拉，E。；Dahl，AB，多视立体视觉的大尺度数据，国际计算机视觉杂志，120，2，153-168（2016）
[3] Abdel-Hakim，A.E.和Farag，A.A.（2006年）。Csift：具有颜色不变特征的sift描述符。《IEEE计算机视觉和模式识别会议论文集》，1978-1983页。
[4] Adamczewski，K.、Suh，Y.和Mu Lee，K.（2015）。用于图匹配的离散禁忌搜索。IEEE计算机视觉国际会议论文集，第109-117页。
[5] 亚当斯，WP；Johnson，TA，二次分配问题的基于改进线性规划的下界，离散数学和理论计算机科学中的DIMACS系列，16，43-77（1994）·Zbl 0819.90049号
[6] Aflalo，Y。；杜布罗维纳，A。；Kimmel，R.，光谱广义多维标度，国际计算机视觉杂志，118，3，380-392（2016）·Zbl 1380.68392号
[7] Agrawal，M.、Konolige，K.和Blas，M.R.（2008）。Censure：中心环绕极值用于实时特征检测和匹配。《欧洲计算机视觉会议记录》，第102-115页。
[8] Alahi，A.、Ortiz，R.和Vandergheynst，P.（2012）。怪胎：视网膜快速关键点。《IEEE计算机视觉和模式识别会议记录》，第510-517页。
[9] Alcantarilla，P.F.、Bartoli，A.和Davison，A.J.（2012）Kaze特征。《欧洲计算机视觉会议记录》，第214-227页。
[10] 阿尔坎塔里拉，PF；Solutions，T.，非线性尺度空间中加速特征的快速显式扩散，IEEE模式分析和机器智能汇刊，34，7，1281-1298（2011）
[11] Aldana-Iuit，J.、Mishkin，D.、Chum，O.和Matas，J.（2016）。在马鞍上：追逐快速且可重复的特征。《模式识别国际会议论文集》，第675-680页。
[12] 阿尔莫哈马德，H。；Duffuaa，SO，加权图匹配问题的线性规划方法，IEEE模式分析和机器智能汇刊，15，5，522-525（1993）
[13] Amberg，B.、Romdhani，S.和Vetter，T.（2007年）。曲面配准的最优步长非刚性ICP算法。IEEE计算机视觉和模式识别会议记录，第1-8页。
[14] Angeli，A.、Filliat，D.、Doncieux，S.和Meyer，J.A.（2008年）。一种使用视觉词汇包的快速增量环路闭合检测方法。收录于：IEEE机器人技术交易，第1027-1037页。
[15] Arandjelović，R.和Zisserman，A.（2012年）。要改进对象检索，每个人都应该知道三件事。《IEEE计算机视觉和模式识别会议论文集》，第2911-2918页。
[16] Arar，M.、Ginger，Y.、Danon，D.、Bermano，A.H.和Cohen-Or，D.（2020年）。通过几何保持的图像到图像转换进行无监督多模态图像配准。《IEEE/CVF计算机视觉和模式识别会议论文集》，第13410-13419页。
[17] Aubry，M.、Schlickewei，U.和Cremers，D.（2011年）。波核特征：形状分析的量子力学方法。IEEE计算机视觉研讨会国际会议记录，第1626-1633页。
[18] Avrithis，Y。；Tolias，G.，Hough金字塔匹配：用于大规模图像检索的加速几何重建，国际计算机视觉杂志，107，1，1-19（2014）
[19] Awrangjeb，M。；Lu，G.，基于弦点距离累积技术的鲁棒图像角点检测，IEEE多媒体汇刊，10，6105-91072（2008）
[20] Awrangjeb，M。；卢，G。；弗雷泽，CS，基于轮廓的角检测器性能比较，IEEE图像处理汇刊，21，9，4167-4179（2012）·Zbl 1373.94762号
[21] Babai，L.（2018）。群，图，算法：图同构问题。《国际数学家大会论文集》，第3319-3336页·Zbl 1490.68116号
[22] Balntas，V.、Johns，E.、Tang，L.和Mikolajczyk，K.（2016a）。Pn-net：用于学习局部图像描述符的连接三层深度网络。arXiv预打印arXiv:1601.05030。
[23] Balntas，V.、Lenc，K.、Vedaldi，A.和Mikolajczyk，K.（2017年）。Hpatches：手工和学习的本地描述符的基准和评估。《IEEE计算机视觉和模式识别会议记录》，第5173-5182页。
[24] Balntas，V.、Riba，E.、Ponsa，D.和Mikolajczyk，K.（2016b）。用三元组和浅卷积神经网络学习局部特征描述符。《英国机器视觉会议论文集》，第1-11页。
[25] Barath，D.和Matas，J.（2018）。图形切割兰萨克。《IEEE计算机视觉和模式识别会议记录》，第6733-6741页。
[26] Barath，D.、Ivashechkin，M.和Matas，J.（2019a）。进步型拿破仑：从逐渐增长的社区取样。arXiv预印本arXiv:1906.02295。
[27] Barath，D.、Matas，J.和Noskova，J.（2019b）。Magsac：将样本共识边缘化。《IEEE计算机视觉和模式识别会议记录》，第10197-10205页。
[28] Barath，D.、Noskova，J.、Ivashechkin，M.和Matas，J.（2020年）。Magsac++是一种快速、可靠和准确的稳健估计器。《IEEE/CVF计算机视觉和模式识别会议论文集》，第1304-1312页。
[29] Barroso-Laguna，A.、Riba，E.、Ponsa，D.和Mikolajczyk，K.（2019年）。net：通过手工和学习的CNN过滤器进行关键点检测。IEEE计算机视觉国际会议论文集，第5836-5844页。
[30] Bay，H.、Tuytelaars，T.和Van Gool，L.（2006年）。冲浪：加速强大功能。《欧洲计算机视觉会议记录》，第404-417页。
[31] H.海湾。；埃斯·A。；Tuytelaars，T。；Van Gool，L.，《加速鲁棒功能（冲浪）》，《计算机视觉和图像理解》，第110、3、346-359页（2008年）
[32] Bazin，J.C.、Seo，Y.和Pollefeys，M.（2012）。通过轮换搜索实现全局最优一致集最大化。《亚洲计算机视觉会议论文集》，第539-551页。
[33] 贝拉维亚，F。；科伦坡，C.，关于筛选匹配有什么新的说法吗？，国际计算机视觉杂志，128，3，1847-1866（2020）
[34] Belongie，S.、Malik，J.和Puzicha，J.（2001）。形状上下文：一种用于形状匹配和对象识别的新描述符。《神经信息处理系统进展》，第831-837页。
[35] Belongie，S。；Malik，J。；Puzicha，J.，使用形状上下文的形状匹配和对象识别，IEEE模式分析和机器智能汇刊，4509-522（2002）
[36] Bernard，F.、Theobalt，C.和Moeller，M.（2018年）。Ds*：二次匹配问题的更紧密的无提升凸松弛。《IEEE计算机视觉和模式识别会议论文集》，第4310-4319页。
[37] Bernard，F.、Thunberg，J.、Swoboda，P.和Theobalt，C.（2019年）。Hippi：用于可扩展多匹配的高阶投影功率迭代。IEEE计算机视觉国际会议论文集，第10284-10293页。
[38] Besl，P.J.和McKay，N.D.（1992年）。三维形状的配准方法。《传感器融合IV：控制范式和数据结构》，第1611卷，第586-607页。
[39] Bhattacharjee，D.和Roy，H.（2019）。局部引力模式（plgf）：一种新的局部图像描述符。在IEEE关于模式分析和机器智能的事务中。
[40] Bhowmik，A.、Gumhold，S.、Rother，C.和Brachmann，E.（2020年）。增强的特征点：为高级任务优化特征检测和描述。在关于计算机视觉和模式识别的IEEE/CFF会议记录中，第4948-4957页。
[41] Bian，J.、Lin，W.Y.、Matsushita，Y.、Yeung，S.K.、Nguyen，T.D.和Cheng，M.M.（2017）。Gms：基于栅格的运动统计，用于快速、超稳健的特征对应。《IEEE计算机视觉和模式识别会议论文集》，第4181-4190页。
[42] Biasotti，S.、Cerri，A.、Bronstein，A.和Bronsteim，M.（2016）。三维形状相似性评估的最新趋势、应用和前景。在计算机图形论坛，第35卷，威利在线图书馆，第87-119页。
[43] 布莱斯，G。；Levine，MD，注册多视图范围数据以创建三维计算机对象，IEEE模式分析和机器智能事务，17，8，820-824（1995）
[44] Bonny，M.Z.和Uddin，M.S.（2016年）。基于特征的图像拼接算法。《计算智能国际研讨会论文集》，第198-203页。
[45] Boscaini，D.、Masci，J.、Melzi，S.、Bronstein，M.、Castellani，U.和Vandergheynst，P.（2015）。使用局部谱卷积网络学习可变形形状的类特定描述符。在计算机图形论坛，第34卷，威利在线图书馆，第13-23页。
[46] Boscaini，D.、Masci，J.、Rodolá，E.和Bronstein，M.（2016）。用各向异性卷积神经网络学习形状对应。《神经信息处理系统进展》，第3189-3197页。
[47] Brachmann，E.和Rother，C.（2019年）。神经引导的RANSAC：学习在何处采样模型假设。IEEE计算机视觉国际会议论文集，第4322-4331页。
[48] Brachmann，E.、Krull，A.、Nowozin，S.、Shotton，J.、Michel，F.、Gumhold，S.和Rother，C.（2017）。用于摄像机定位的Dsac-differentiable RANSAC。《IEEE计算机视觉和模式识别会议记录》，第6684-6692页。
[49] Bronstein，M.M.和Kokkinos，I.（2010年）。用于非刚性形状识别的尺度不变热核特征。《IEEE计算机视觉和模式识别会议论文集》，第1704-1711页。
[50] AM布朗斯坦；MM Bronstein；Kimmel，R.，《广义多维尺度：等距不变部分曲面匹配的框架》，《国家科学院学报》，103，5，1168-1172（2006）·Zbl 1160.65306号
[51] 布朗，M。；Hua，G。；Winder，S.，局部图像描述符的判别学习，IEEE模式分析和机器智能汇刊，33，1，43-57（2010）
[52] 布朗，M。；Lowe，DG，使用不变特征的自动全景图像拼接，国际计算机视觉杂志，74，1，59-73（2007）
[53] Caelli，T。；Kosinov，S.，用于不精确图形匹配的特征空间投影聚类方法，IEEE模式分析和机器智能汇刊，26，4，515-519（2004）
[54] Caetano，TS；麦考利，JJ；Cheng，L。；Le，QV；Smola，AJ，Learning graph matching，IEEE Transactions on Pattern Analysis and Machine Intelligence，31，6，1048-1058（2009年）
[55] 蔡，H。；Mikolajczyk，K。；Matas，J.，用于图像描述符降维的学习线性判别投影，IEEE模式分析和机器智能汇刊，33，23333-352（2010）
[56] Calonder，M.、Lepetit，V.、Strecha，C.和Fua，P.（2010年）。简介：二进制稳健独立的基本特性。《欧洲计算机视觉会议记录》，第778-792页。
[57] Campbell，D.和Peterson，L.（2015）。用于鲁棒点集注册和合并的自适应数据表示。《IEEE计算机视觉国际会议论文集》，第4292-4300页。
[58] Campbell，D.和Peterson，L.（2016）。Gogma：全局最优高斯混合比对。《IEEE计算机视觉和模式识别会议记录》，第5685-5694页。
[59] Canny，J.（1987）。边缘检测的计算方法。《计算机视觉阅读》，爱思唯尔出版社，第184-203页。
[60] 曹，SY；沈，HL；陈，SJ；Li，C.，多光谱和多模式图像配准的增强结构一致性，IEEE图像处理汇刊，29，5147-5162（2020）·Zbl 07586238号
[61] Castellani，U.、Cristani，M.、Fantoni，S.和Murino，V.（2008）。结合三维网格显著性和统计描述符进行稀疏点匹配。在计算机图形论坛，第27卷，威利在线图书馆，第643-652页。
[62] Chang，J.R.和Chen，Y.S.（2018年）。金字塔立体匹配网络。《IEEE计算机视觉和模式识别会议论文集》，第5410-5418页。
[63] Chang，W.和Zwicker，M.（2009）。使用简化的可变形模型进行范围扫描配准。在计算机图形论坛，第28卷，威利在线图书馆，第447-456页。
[64] Chang，MC；Kimia，BB，通过基于图形的内侧支架匹配测量三维形状相似性，计算机视觉和图像理解，115，5，707-720（2011）
[65] Chen，Q.和Koltun，V.（2015）。基于凸优化的鲁棒非刚性配准。《IEEE计算机视觉国际会议论文集》，第2039-247页。
[66] Chen，Y.、Guibas，L.和Huang，Q.（2014）。基于凸松弛的近最优关节对象匹配。《机器学习国际会议论文集》，第100-108页。
[67] Chen，Y.C.、Huang，P.H.、Yu，L.Y.、Hung，J.B.、Yang，M.H.和Lin，Y.Y.（2018）。具有前景检测和循环一致性的深度语义匹配。《亚洲计算机视觉会议论文集》，第347-362页。
[68] Chen，J.、Kellokumpu，V.、Zhao，G.和Pietikäinen，M.（2013）。Rlbp：鲁棒的局部二进制模式。英国机器视觉会议论文集。
[69] Chen，J.，Wang，L.，Li，X.，&Fang，Y.（2019）。Arbicon-net：用于图像配准的任意连续几何变换网络。《神经信息处理系统进展》，第3410-3420页。
[70] 陈，HM；阿罗拉，MK；Varshney，PK，遥感数据的基于信息的相互图像注册，国际遥感杂志，24，18，3701-3706（2003）
[71] 陈，H。；Bhanu，B.，使用局部曲面片在距离图像中识别三维自由形式物体，《模式识别字母》，28，10，1252-1262（2007）
[72] 陈，QS；Defrise，M。；Deconick，F.，用于图像注册和识别的傅里叶-梅林变换的对称相位匹配滤波，IEEE模式分析和机器智能汇刊，16，12，1156-1168（1994）
[73] 陈，C。；李毅。；刘伟。；Huang，J.，Sirf:统一框架下的同步卫星图像注册和融合，IEEE图像处理汇刊，24，11，4213-4224（2015）·Zbl 1408.94084号
[74] 陈，J。；Shan，S。；他，C。；赵，G。；Pietikainen，M。；陈，X。；Gao，W.，Wld：稳健的局部图像描述符，IEEE模式分析和机器智能汇刊，32，9，1705-1720（2009）
[75] 陈，J。；田，J。；Lee，N。；郑洁。；史密斯，RT；Laine，AF，用于多模式视网膜图像配准的部分强度不变特征描述符，IEEE生物医学工程学报，57，7，1707-1718（2010）
[76] 陈，HM；瓦什尼，PK；Arora，MK，用于多时间遥感图像注册的互信息相似性度量的性能，IEEE地球科学与遥感汇刊，41，11，2445-2454（2003）
[77] Chertok，M。；Keller，Y.，高效高阶匹配，IEEE模式分析和机器智能汇刊，32，12，2205-2215（2010）
[78] Chetverikov，D。；斯特帕诺夫，D。；Krsek，P.，三维点集的稳健欧几里德对齐：修剪迭代最近点算法，图像与视觉计算，23，3，299-309（2005）
[79] Cho，M.和Lee，K.M.（2012年）。渐进式图形匹配：通过概率投票移动图形。《IEEE计算机视觉和模式识别会议记录》，第398-405页。
[80] Cho，M.、Lee，J.和Lee，K.M.（2010年）。用于图形匹配的重新加权随机游走。《欧洲计算机视觉会议记录》，第492-505页。
[81] Chopra，S.、Hadsell，R.、LeCun，Y.等人（2005年）。区分性地学习相似性度量，并应用于人脸验证。《IEEE计算机视觉和模式识别会议论文集》，第539-546页。
[82] Choy，C.B.、Gwak，J.、Savarese，S.和Chandraker，M.（2016）。通用通信网络。《神经信息处理系统进展》，第2414-2422页。
[83] Choy，C.、Lee，J.、Ranftl，R.、Park，J.和Koltun，V.（2020年）。用于几何模式识别的高维卷积网络。《IEEE/CVF计算机视觉和模式识别会议论文集》，第11227-11236页。
[84] Chui，H。；Rangarajan，A.，一种新的非刚性配准点匹配算法，计算机视觉和图像理解，89，2-3，114-141（2003）·Zbl 1053.68123号
[85] Chum，O.和Matas，J.（2005）。与进步样本一致性匹配。《IEEE计算机视觉和模式识别会议论文集》，第220-226页。
[86] Chum，O.、Matas，J.和Kittler，J.（2003）。局部优化的ransac。《联合模式识别研讨会论文集》，Springer，第236-243页。
[87] 丘吉尔，D。；Vardy，A.，方向不变的视觉归位算法，《智能与机器人系统杂志》，71，1，3-29（2013）
[88] 厨师，DJ；霍尔德，LB，采矿图数据（2006），纽约：威利，纽约·Zbl 1116.68028号
[89] Cour，T.、Srinivasan，P.和Shi，J.（2007）。平衡图匹配。《神经信息处理系统进展》，第313-320页。
[90] 康明斯，M。；Newman，P.，Fab-map:外观空间中的概率定位和映射，《国际机器人研究杂志》，27，6，647-665（2008）
[91] Dallal，N.和Triggs，B.（2005年）。人体检测定向梯度直方图。《IEEE计算机视觉和模式识别会议论文集》，第886-893页。
[92] Danelljan，M.、Meneghetti，G.、Shahbaz Khan，F.和Felsberg，M.（2016）。基于颜色的点集配准的概率框架。《IEEE计算机视觉和模式识别会议论文集》，第1818-1826页。
[93] Datar，M.、Immorlica，N.、Indyk，P.和Mirrorkni，V.S.（2004）。基于p-稳定分布的局部敏感散列方案。第二十届计算几何年度研讨会论文集，第253-262页·兹比尔1373.68193
[94] AJ戴维森；里德，ID；莫尔顿，ND；Stasse，O.，Monoslam:实时单摄像机slam，IEEE模式分析和机器智能汇刊，61052-1067（2007）
[95] Dawn，S.、Saxena，V.和Sharma，B.（2010年）。遥感图像配准技术综述。《图像和信号处理国际会议记录》，第103-112页。
[96] de Vos、BD；贝伦德森，FF；马萨诸塞州维耶格尔；Sokooti，H。；凝视，M。；Isgum，I.，无监督仿射和变形图像配准的深度学习框架，医学图像分析，52，128-143（2019）
[97] de Vos，B.D.、Berendsen，F.F.、Viergever，M.A.、Staring，M.和Isgum，I.（2017年）。带卷积神经网络的端到端无监督可变形图像配准。医学图像分析的深度学习和临床决策支持的多模态学习，Springer，第204-212页。
[98] Deng，H.、Birdal，T.和Ilic，S.（2018年）。Ppfnet：用于鲁棒三维点匹配的全局上下文感知局部特征。《IEEE计算机视觉和模式识别会议论文集》，第195-205页。
[99] Deng，H.、Zhang，W.、Mortensen，E.、Dietterich，T.和Shapiro，L.（2007）。用于物体识别的基于主曲率的区域检测器。IEEE计算机视觉和模式识别会议记录，第1-8页。
[100] DeTone，D.、Malisiewicz，T.和Rabinovich，A.（2016年）。深度图像单应性估计。arXiv预打印arXiv:1606.03798。
[101] DeTone，D.、Malisiewicz，T.和Rabinovich，A.（2018年）。Superpoint：自我监督的兴趣点检测和描述。《IEEE计算机视觉和模式识别研讨会会议记录》，第224-236页。
[102] Dong，J.和Soatto，S.（2015）。本地描述符中的域大小池：Dsp-sift。《IEEE计算机视觉和模式识别会议论文集》，第5097-5106页。
[103] 多莱，C。；Jain，AK，Cosmos-三维自由形式对象的表示方案，IEEE模式分析和机器智能事务，19，10，1115-1130（1997）
[104] Dosovitskiy，A.、Fischer，P.、Ilg，E.、Hausser，P.，Hazirbas，C.、Golkov，V.、Van Der Smagt，P.和Cremers，D.和Brox，T.（2015）。Flownet：利用卷积网络学习光流。《IEEE计算机视觉国际会议论文集》，第2758-2766页。
[105] Duan，Y.、Lu，J.、Wang，Z.、Feng，J.和Zhou，J.（2017）。用多量化学习深度二进制描述符。在IEEE关于计算机视觉和模式识别的会议记录中，第1183-1192页。
[106] O.杜兴。；巴赫，F。；IS奎恩；Ponce，J.，基于张量的高阶图匹配算法，IEEE模式分析和机器智能汇刊，33，12，2383-2395（2011）
[107] 杜琪。；风扇，A。；马云（Ma，Y.）。；风扇，F。；黄，J。；Mei，X.，基于尺度不变piifd特征和局部保持匹配的红外和可见光图像配准，IEEE Access，664107-64121（2018）
[108] Dusmanu，M.、Rocco，I.、Pajdla，T.、Pollefeys，M.，Sivic，J.、Torii，A.和Sattler，T.（2019年）。D2-net：用于联合描述和检测局部特征的可训练cnn。《IEEE计算机视觉和模式识别会议论文集》，第8092-8101页。
[109] Dym，N.、Maron，H.和Lipman，Y.（2017年）。Ds++：用于匹配问题的灵活、可扩展和可证明的紧松弛。arXiv预打印arXiv:1705.06148。
[110] 埃戈齐，A。；Keller，Y。；Guterman，H.，频谱图匹配的概率方法，IEEE模式分析和机器智能汇刊，35，1，18-27（2012）
[111] Elad，A。；Kimmel，R.，《关于曲面的弯曲不变特征》，IEEE模式分析和机器智能汇刊，25，10，1285-1295（2003）
[112] Elbaz，G.、Avraham，T.和Fischer，A.（2017年）。使用深度神经网络自动编码器进行三维点云配准定位。《IEEE计算机视觉和模式识别会议论文集》，第4631-4640页。
[113] Endres，F.、Hess，J.、Engelhard，N.、Sturm，J.、Cremers，D.和Burgard，W.（2012）。对rgb-d满贯系统的评估。《IEEE机器人与自动化国际会议论文集》，第1691-1696页。
[114] Erin Liong，V.、Lu，J.、Wang，G.、Moulin，P.和Zhou，J.（2015）。用于紧凑二进制代码学习的深度散列。《IEEE计算机视觉和模式识别会议论文集》，第2475-2483页。
[115] Erlik Nowruzi，F.、Laganiere，R.和Japkowicz，N.（2017年）。基于分层卷积网络的图像对单应性估计。《IEEE计算机视觉国际会议论文集》，第913-920页。
[116] 伊万杰里迪斯，GD；Horaud，R.，带批量和增量期望最大化的多点集联合对齐，IEEE模式分析和机器智能汇刊，40，6，1397-1410（2018）
[117] Everingham，M。；Van Gool，L。；威廉姆斯，CK；Winn，J。；Zisserman，A.，《pascal可视对象类（voc）挑战》，《国际计算机视觉杂志》，88，2，303-338（2010）
[118] 风扇，B。；孔，Q。；王，X。；Z.Wanga。；项，S。；潘，C。；Fua，P.，基于图像的三维重建局部特征的性能评估，IEEE图像处理汇刊，28，10，4774-4789（2019）·Zbl 07123014号
[119] 风扇，B。；Wu，F。；Hu，Z.，使用强度顺序池的旋转不变描述符，IEEE模式分析和机器智能汇刊，34，10，2031-2045（2011）
[120] 费兰特，E。；Paragios，N.，切片到体积医学图像配准：一项调查，医学图像分析，3910-123（2017）
[121] 费拉兹，L。；Binefa，X.，基于稀疏曲率的仿射不变斑点检测器，计算机视觉和图像理解，116，4，524-537（2012）
[122] Fey，M.、Lenssen，J.E.、Morris，C.、Masci，J.和Kriege，N.M.（2020年）。深度图表匹配共识。在学习表征国际会议上。
[123] 马萨诸塞州费希勒；Bolles，RC，《随机样本共识：模型拟合范式与图像分析和自动制图应用》，ACM通讯，24，6，381-395（1981）
[124] Fitzgibbon，AW，二维和三维点集的稳健配准，图像和视觉计算，21，13-14，1145-1153（2003）
[125] Flint，A.、Dick，A.和Van Den Hengel，A.（2007年）。节俭：局部三维结构识别。《数字图像计算技术和应用两年一度会议记录》，第182-188页。
[126] Fogel，F.、Jenatton，R.、Bach，F.和d'Aspremont，A.（2013）。置换问题的凸松弛。《神经信息处理系统进展》，第1016-1024页。
[127] Foroosh，H。；齐鲁比亚，JB；Berthod，M.，相位相关扩展到亚像素配准，IEEE图像处理汇刊，11，3，188-200（2002）
[128] Forssén，P.E.（2007年）。用于识别和匹配的最大稳定颜色区域。在IEEE关于计算机视觉和模式识别的会议记录中，第1-8页。
[129] 弗拉戈索，V.、森，P.、罗德里格斯，S.和特克，M.（2013）。Evsac：通过使用极值理论建模匹配分数来加速假设生成。《IEEE计算机视觉国际会议论文集》，第2472-2479页。
[130] Frome，A.、Huber，D.、Kolluri，R.、Bülow，T.和Malik，J.（2004年）。使用区域点描述符识别距离数据中的对象。《欧洲计算机视觉会议记录》，第224-237页·Zbl 1098.68766号
[131] Gao，W.和Tedrake，R.（2019年）。Filterreg：使用高斯滤波器和扭曲参数化的稳健高效概率点集注册。《IEEE计算机视觉和模式识别会议论文集》，第11095-11104页。
[132] Gauglitz，S。；Höller，T。；Turk，M.，《视觉跟踪中兴趣点检测器和特征描述符的评估》，《国际计算机视觉杂志》，94，3，335-360（2011）·Zbl 1235.68264号
[133] 盖伊·贝利，V。；巴托利，A。；Sayd，P.，用基于图像的自遮挡推理直接估计非刚性注册，IEEE模式分析和机器智能汇刊，32，1，87-104（2008）
[134] Gelfand，N.、Mitra，N.J.、Guibas，L.J.和Pottmann，H.（2005）。稳健的全球注册。几何处理研讨会，第2卷，奥地利维也纳，第5页。
[135] Georgakis，G.、Karanam，S.、Wu，Z.、Ernst，J.和Kosecká，J.（2018）。用于姿态不变三维匹配的关键点检测器和描述符的端到端学习。《IEEE计算机视觉和模式识别会议论文集》，1965-1973页。
[136] Ghosh，D。；Kaabouch，N.，《图像镶嵌技术调查》，《视觉传达与图像表征杂志》，34，1-11（2016）
[137] 吉尔，A。；莫佐斯，OM；Ballesta，M。；Reinoso，O.，《视觉冲击感兴趣点检测器和局部描述符的比较评估》，《机器视觉与应用》，21，6，905-920（2010）
[138] Gionis，A.、Indyk，P.、Motwani，R.等人（1999年）。通过散列在高维中进行相似性搜索。《超大数据库国际会议论文集》，第518-529页。
[139] Giraldo，L.G.S.、Hasanbelliu，E.、Rao，M.和Principe，J.C.（2017年）。基于rényi二阶熵的分组点集注册。《IEEE计算机视觉和模式识别会议论文集》，第2454-2462页。
[140] Glaunes，J.、Trouvé，A.和Younes，L.（2004）。分布的微分匹配：一种用于未标记点集和子流形匹配的新方法。《IEEE计算机视觉和模式识别会议论文集》，第712-718页。
[141] Gojcic，Z.、Zhou，C.、Wegner，J.D.、Guibas，L.J.和Birdal，T.（2020年）。学习多视图三维点云注册。《IEEE/CVF计算机视觉和模式识别会议论文集》，第1759-1769页。
[142] 黄金，S。；Rangarajan，A.，图匹配的分级分配算法，IEEE模式分析和机器智能汇刊，18，4，377-388（1996）
[143] 金，S。；Rangarajan，A。；卢，CP；帕普，S。；Mjolsness，E.，《二维和三维点匹配的新算法：姿态估计和对应》，模式识别，31，8，1019-1031（1998）
[144] Golyanik，V.、Aziz Ali，S.和Stricker，D.（2016）。点集配准的引力方法。《IEEE计算机视觉和模式识别会议记录》，第5802-5810页。
[145] Gong，Y.、Kumar，S.、Rowley，H.A.和Lazebnik，S.（2013年）。使用双线性投影学习高维数据的二进制代码。《IEEE计算机视觉和模式识别会议记录》，第484-491页。
[146] 龚，Y。；拉泽布尼克，S。；A.戈多。；Perronnin，F.，《迭代量化：大规模图像检索中学习二进制代码的繁琐方法》，IEEE模式分析与机器智能学报，35，12，2916-2929（2012）
[147] Goodfellow，I.、Pouget-Abadie，J.、Mirza，M.、Xu，B.、Warde-Farley，D.、Ozair，S.、Courville，A.和Bengio，Y.（2014）。生成性对抗网络。《神经信息处理系统的进展》，第2672-2680页。
[148] Granger，S.和Pennec，X.（2002）。多尺度em-icp:一种快速而稳健的表面配准方法。《欧洲计算机视觉会议记录》，第418-432页·Zbl 1039.68642号
[149] 郭毅。；Bennamoun，M。；Sohel，F。；卢，M。；Wan，J。；Kwok，NM，三维局部特征描述符的综合性能评估，国际计算机视觉杂志，116，1，66-89（2016）
[150] 郭毅。；Sohel，F。；Bennamoun，M。；卢，M。；Wan，J.，三维局部表面描述和物体识别的旋转投影统计，国际计算机视觉杂志，105，1，63-86（2013）·Zbl 1286.68387号
[151] 郭毅。；Sohel，F。；Bennamoun，M。；Wan，J。；Lu，M.，杂波和遮挡下用于三维物体识别的新型局部表面特征，信息科学，293196-213（2015）
[152] 郭，Z。；张，L。；Zhang，D.，纹理分类局部二元模式算子的完整建模，IEEE图像处理学报，19，6，1657-1663（2010）·Zbl 1371.94151号
[153] Gupta，R.、Patil，H.和Mittal，A.（2010年）。稳健的基于顺序的特征描述方法。《IEEE计算机视觉和模式识别会议记录》，第334-341页。
[154] Han，X.，Leung，T.，Jia，Y.，Sukthankar，R.，&Berg，A.C.（2015）。Matchnet：为基于补丁的匹配统一特征和度量学习。《IEEE计算机视觉和模式识别会议论文集》，第3279-3286页。
[155] Han，K.、Rezende，R.S.、Ham，B.、Wong，K.Y.K.、Cho，M.、Schmid，C.和Ponce，J.（2017）。Scnet：学习语义对应。IEEE计算机视觉国际会议论文集，第1831-1840页。
[156] Harris，C.G.、Stephens，M.等人（1988年）。结合了角点和边缘检测器。《阿尔维视觉会议记录》，第147-151页。
[157] Hartmann，W.、Havelena，M.和Schindler，K.（2014）。预测匹配性。《IEEE计算机视觉和模式识别会议论文集》，第9-16页。
[158] 哈斯金斯，G。；克鲁格，美国。；Yan，P.，《医学图像配准的深度学习：一项调查》，《机器视觉与应用》，第31、1、8页（2020年）
[159] Hayat，N。；Imran，M.，《使用密集筛选描述符和引导滤波器的无鬼多曝光图像融合技术》，《视觉通信与图像表示杂志》，62295-308（2019）
[160] He，K.，Lu，Y.，&Sclaroff，S.（2018）。针对平均精度优化的局部描述符。《IEEE计算机视觉和模式识别会议记录》，第596-605页。
[161] 海基拉，M。；Pietikäinen先生。；Schmid，C.，用局部二进制模式描述感兴趣区域，模式识别，42，3，425-436（2009）·Zbl 1181.68237号
[162] Heinly，J.、Dunn，E.和Frahm，J.M.（2012）。二进制特征的比较评估。《欧洲计算机视觉会议记录》，第759-773页。
[163] Heinly，J.、Schonberger，J.L.、Dunn，E.和Frahm，J.M.（2015）。重建世界*在六天内*（如雅虎一亿图像数据集所捕获）。《IEEE计算机视觉和模式识别会议论文集》，第3287-3295页。
[164] Hinterstoisser，S.、Lepetit，V.、Ilic，S.，Holzer，S..、Bradski，G.、Konolige，K.和Navab，N.（2012年）。严重混乱场景中无纹理三维对象的基于模型的训练、检测和姿势估计。《亚洲计算机视觉会议论文集》，第548-562页。
[165] Horaud，R。；福布斯，F。；Yguel，M。；Dewaele，G。；Zhang，J.，带期望条件最大化的刚性和铰接点注册，IEEE模式分析和机器智能汇刊，33，3，587-602（2011）
[166] Hu，N.、Huang，Q.、Thibert，B.和Guibas，L.J.（2018年）。可分配的一致性多对象匹配。《IEEE计算机视觉和模式识别会议论文集》，第2463-2471页。
[167] Huang，Q.X.和Guibas，L.（2013）。通过半定规划实现一致的形状映射。在计算机图形论坛，第32卷，威利在线图书馆，第177-186页。
[168] Huang，X.，Cheng，X.、Geng，Q.、Cao，B.、Zhou，D.、Wang，P.、Lin，Y.和Yang，R.（2018）。自动驾驶的apoloscape数据集。《IEEE计算机视觉和模式识别研讨会会议记录》，第954-960页。
[169] 黄，D。；Shan，C。；Ardabilian，M。；Wang，Y。；Chen，L.，局部二进制模式及其在面部图像分析中的应用：调查，IEEE系统、人与控制论汇刊，C部分（应用与评论），41，6，765-781（2011）
[170] Iglesias，J.P.、Olsson，C.和Kahl，F.（2020年）。使用半定规划的点集配准的全局最优性。《IEEE/CVF计算机视觉和模式识别会议论文集》，第8287-8295页。
[171] Jaderberg，M.、Simonyan，K.、Zisserman，A.等人（2015年）。空间变压器网络。《神经信息处理系统进展》，第2017-2025页。
[172] Jégou，H。；Douze，M。；Schmid，C.，《为大规模图像搜索改进bag-of-features》，《国际计算机视觉杂志》，87，3，316-336（2010）
[173] Jiang，B.、Tang，J.、Ding，C.和Luo，B.（2017b）。保留二进制约束的图匹配。在IEEE关于计算机视觉和模式识别的会议记录中，第4402-4409页。
[174] Jiang，B.、Tang，J.、Ding，C.、Gong，Y.和Luo，B.（2017a）。通过乘法更新算法进行图形匹配。《神经信息处理系统进展》，第3187-3195页。
[175] Jiang，Z.、Wang，T.和Yan，J.（2020b）。通过在超图上寻找最短路径，将离线和在线多图匹配统一起来。在IEEE关于模式分析和机器智能的事务中。
[176] 蒋，X。；马，J。；姜杰。；Guo，X.，使用带有严重离群值的空间聚类进行稳健特征匹配，IEEE图像处理汇刊，29736-746（2020）·Zbl 07585912号
[177] 江，B。；赵，H。；Tang，J。；Luo，B.，用于图形匹配问题的稀疏非负矩阵分解技术，模式识别，47，2736-747（2014）·Zbl 1326.68293号
[178] 简·B。；Vemuri，BC，使用高斯混合模型的鲁棒点集注册，IEEE模式分析和机器智能学报，33，8，1633-1645（2011）
[179] Jin，Y.、Mishkin，D.、Mishchuk，A.、Matas，J.、Fua，P.、Yi，K.M.和Trulls，E.（2020年）。跨宽基线的图像匹配：从论文到实践。arXiv预打印arXiv:2003.01587。
[180] Johnson，K.、Cole-Rhodes，A.、Zavorin，I.和Le Moigne，J.（2001）。互信息作为遥感图像配准的相似性度量。《地理空间图像和数据开发II》，第51-61页。
[181] 约翰逊，AE；Hebert，M.，《使用旋转图像在杂乱三维场景中高效识别物体》，IEEE模式分析和机器智能汇刊，21，5，433-449（1999）
[182] Ke，Y.，Sukthankar，R.等人（2004年）。Pca-sift：局部图像描述符的一种更独特的表示。《IEEE计算机视觉和模式识别会议记录》，第506-513页。
[183] Kedem，D.、Tyree，S.、Sha，F.、Lanckriet，G.R.和Weinberger，K.Q.（2012）。非线性度量学习。《神经信息处理系统进展》，第2573-2581页。
[184] Kezurer，I.、Kovalsky，S.Z.、Basri，R.和Lipman，Y.（2015）。二次匹配的紧松弛。在计算机图形论坛，第34卷，威利在线图书馆，第115-128页。
[185] Khoury，M.、Zhou，Q.Y.和Koltun，V.（2017）。学习紧凑的几何特征。IEEE计算机视觉国际会议论文集，第153-161页。
[186] Kim，S.，Lin，S.、JEON，S.R.、Min，D.和Sohn，K.（2018年）。语义对应的递归变换网络。《神经信息处理系统进展》，第6126-6136页。
[187] Kim，V.G.、Lipman，Y.和Funkhouser，T.（2011年）。混合的内部贴图。在ACM图形事务中，第30卷，ACM，第79页。
[188] Kim，VG公司；李伟（Li，W.）。；新泽西州米特拉；DiVerdi，S。；TA Funkhouser，《使用模糊对应探索三维模型集合》，ACM图形交易，31，4，54-1（2012）
[189] Kimmel，R。；张，C。；布朗斯坦，A。；Bronstein，M.，mser功能真的很有趣吗？，IEEE模式分析和机器智能汇刊，33，11，2316-2320（2011）
[190] Kim，S。；最小D。；Lin，S。；Sohn，K.，稠密语义对应的离散-连续变换匹配，IEEE模式分析与机器智能学报，42，1，59-73（2020）
[191] 克莱因，S。；凝视，M。；Pluim，JP，使用互信息和b样条评估非刚性医学图像配准的优化方法，IEEE图像处理汇刊，16，12，2879-2890（2007）
[192] Kluger，F.、Brachmann，E.、Ackermann，H.、Rother，C.、Yang，M.Y.和Rosenhahn，B.（2020年）。Consac：基于条件样本一致性的稳健多模型拟合。《IEEE/CVF计算机视觉和模式识别会议论文集》，第4634-4643页。
[193] Komorowski，J.、Czarnta，K.、Trzcinski，T.、Dabala，L.和Lynen，S.（2018年）。基于apoloscape数据集的兴趣点检测器稳定性评估。《欧洲计算机视觉会议记录》，第727-739页。
[194] Kovnatsky，A.、Bronstein，M.M.、Bresson，X.和Vandergheynst，P.（2015）。通过矩阵完成功能通信。在IEEE关于计算机视觉和模式识别的会议记录中，第905-914页。
[195] Krebs，J.、Mansi，T.、Delingette，H.、Zhang，L.、Ghesu，F.C.、Miao，S.、Maier，A.K.、Ayache，N.、Liao，R.和Kamen，A.（2017）。通过基于代理的动作学习实现稳健的非刚性注册。《医学图像计算和计算机辅助干预国际会议论文集》，第344-352页。
[196] Kulis，B.和Darrell，T.（2009年）。学习使用二进制重建嵌入进行散列。《神经信息处理系统进展》，第1042-1050页。
[197] Kulis，B.和Grauman，K.（2009年）。用于可缩放图像搜索的内核化位置敏感哈希。《IEEE计算机视觉国际会议论文集》，第2130-2137页。
[198] Kumar，B.、Carneiro，G.、Reid，I.等人（2016年）。通过最小化全局损失函数，使用深度暹罗和三重卷积网络学习局部图像描述符。《IEEE计算机视觉和模式识别会议记录》，第5385-5394页。
[199] Laskar，Z.和Kannala，J.（2018年）。半监督语义匹配。《欧洲计算机视觉研讨会论文集》，第1-11页。
[200] Lawin，F.J.、Danelljan，M.、Khan，F.、Forssén，P.E.和Felsberg，M.（2018年）。密度自适应点集配准。在IEEE计算机视觉国际会议论文集，第3829-3837页。
[201] 劳勒，EL，二次分配问题，管理科学，9，4，586-599（1963）·Zbl 0995.90579号
[202] 拉扎里迪斯，G。；Petrou，M.，使用沃尔什变换进行图像配准，IEEE图像处理汇刊，15，8，2343-2357（2006）
[203] 勒莫伊涅，J。；WJ坎贝尔；Cromp，RF，基于小波特征相关性的自动并行图像配准技术，IEEE地球科学与遥感汇刊，40，8，1849-1864（2002）
[204] Lebeda，K.、Matas，J.和Chum，O.（2012年）。确定局部优化的Transac-full实验评估。《英国机器视觉会议论文集》，第1-11页。
[205] Lee，J.、Cho，M.和Lee，K.M.（2010年）。一种使用数据驱动的马尔可夫链蒙特卡罗抽样的图匹配算法。《模式识别国际会议论文集》，第2816-2819页。
[206] Lee，J.、Cho，M.和Lee，K.M.（2011年）。通过重加权随机行走进行超粒度匹配。《IEEE计算机视觉和模式识别会议记录》，第1633-1640页。
[207] Lee，S.、Lim，J.和Suh，I.H.（2020年）。渐进特征匹配：增量图构造和优化。在IEEE关于图像处理的事务中·兹伯利07586378
[208] Lí-Huu，D.K.和Paragios，N.（2017年）。交替方向图匹配。IEEE计算机视觉和模式识别会议记录，第4914-4922页。
[209] Lenc，K.和Vedaldi，A.（2014年）。单应数据集上局部图像特征检测器的大规模评估。英国机器视觉会议论文集。
[210] Lenc，K.和Vedaldi，A.（2016年）。学习协变特征检测器。《欧洲计算机视觉会议记录》，第100-117页。
[211] Leordeanu，M.和Hebert，M.（2005）。使用成对约束解决对应问题的谱技术。《IEEE计算机视觉国际会议论文集》，第1482-1489页。
[212] Leordeanu，M.、Hebert，M.和Sukthankar，R.（2009年）。一种用于图匹配和地图推理的整数投影不动点方法。《神经信息处理系统进展》，第1114-1122页。
[213] Leordeanu，M。；Sukthankar，R。；Hebert，M.，图形匹配的无监督学习，国际计算机视觉杂志，96，1，28-45（2012）·Zbl 1235.68274号
[214] Leutenger，S.、Chli，M.和Siegwart，R.（2011年）。Brisk：二进制健壮不变的可伸缩关键点。《IEEE计算机视觉国际会议论文集》，第2548-2555页。
[215] Levi，G.，关于两个有向图或无向图的极大公共子图的推导的一个注记，Calcolo，9，44341（1973）·Zbl 0261.05132号
[216] Li，H.和Hartley，R.（2007）。重新讨论了3d-3d注册问题。IEEE计算机视觉国际会议论文集，第1-8页。
[217] Li，X.、Han，K.、Li，S.和Prisacariu，V.A.（2020年）。双分辨率通信网络。arXiv预印arXiv:2006.08844。
[218] Li，H.、Shen，T.和Huang，X.（2009）。广义形状对齐的全局优化。《IEEE计算机视觉和模式识别会议论文集》，第856-863页。
[219] Li，H.、Sumner，R.W.和Pauly，M.（2008）。深度扫描非刚性配准的全局对应优化。计算机图形论坛，第27卷，威利在线图书馆，第1421-1430页。
[220] Lian，W。；张，L。；Yang，MH，非对称点匹配的有效全局优化算法，IEEE模式分析和机器智能汇刊，39，7，1281-1293（2017）
[221] Liao，R.、Miao，S.、de Tournemire，P.、Grbic，S.、Kamen，A.、Mansi，T.和Comaniciu，D.（2017）。用于鲁棒图像配准的人工代理。《第三十一届AAAI人工智能会议记录》，第4168-4175页。
[222] Liao，Q.、Sun，D.和Andreason，H.（2020年）。使用基于模糊聚类的度量和有效的全局优化进行三维范围扫描的点集配准。在IEEE关于模式分析和机器智能的事务中。
[223] 李，X。；胡忠，用对应函数剔除失配，国际计算机视觉杂志，89,1，1-17（2010）
[224] 李，Z。；Mahapatra，D。；日本Tielbeek；斯托克，J。；范弗利特，LJ；Vos，FM，基于局部结构自相关的图像配准，IEEE图像处理学报，35，1，63-75（2015）
[225] Lin，W.Y.D.、Cheng，M.M.、Lu，J.、Yang，H.、Do，M.N.和Torr，P.（2014）。全局运动建模的双边功能。《欧洲计算机视觉会议记录》，第341-356页。
[226] Lin，W.Y.，Liu，S.，Jiang，N.，Do，M.N.，Tan，P.，&Lu，J.（2016b）。重新匹配：用于重建现代城市的稳健特征匹配和姿势。《欧洲计算机视觉会议记录》，第562-579页。
[227] Lin，W.Y.，Liu，S.，Matsushita，Y.，Ng，T.T.和Cheong，L.F.（2011）。平滑变化的仿射缝合。《IEEE计算机视觉和模式识别会议记录》，第345-352页。
[228] Lin，K.，Lu，J.，Chen，C.S.，&Zhou，J.（2016a）。用无监督深层神经网络学习紧二元描述符。在IEEE关于计算机视觉和模式识别的会议记录中，第1183-1192页。
[229] Lindeberg，T.，带自动刻度选择的特征检测，国际计算机视觉杂志，30，2，79-116（1998）
[230] 林，WY；Wang，F。；郑，MM；杨，SK；托尔，PH；Do，明尼苏达州；Lu，J.，Code:基于一致性的特征对应决策边界，IEEE模式分析和机器智能汇刊，40，1，34-47（2017）
[231] Lipman，Y。；Funkhouser，T.，莫比乌斯（Möbius）对表面通信的投票，ACM图形交易，28，3，72（2009）
[232] Lipman，Y。；雅格夫，S。；Poranne，R。；雅各布斯，DW；Basri，R.，《有界失真的特征匹配》，《ACM图形交易》，第33、3、26页（2014年）·Zbl 1322.68244号
[233] Litany，O.、Remez，T.、Rodolá，E.、Bronstein，A.和Bronsteim，M.（2017年）。深层函数图：密集形状对应的结构化预测。《IEEE计算机视觉国际会议论文集》，第5659-5667页。
[234] Litjens，G。；Kooi，T。；比利时Bejnordi；塞提奥，AAA；Ciompi，F.公司。；Ghafoorian，M。；JA Van Der Laak；Van Ginneken，B。；Sánchez，CI，《医学图像分析深度学习调查》，医学图像分析，42，60-88（2017）
[235] 利特曼，R。；Bronstein，AM，可变形形状对应的学习谱描述符，IEEE模式分析和机器智能汇刊，36，1，171-180（2014）
[236] Liu，H.和Yan，S.（2010年）。通过空间相干通信发现常见的视觉模式。《IEEE计算机视觉和模式识别会议论文集》，第1609-1616页。
[237] Liu，Y.，&Zhang，H.（2012）。索引视觉功能：使用树结构进行实时循环闭合检测。《IEEE机器人与自动化国际会议论文集》，第3613-3618页。
[238] Liu，Y.、Feng，R.和Zhang，H.（2015a）。基于一致性约束的离群点剪枝关键点匹配。《IEEE机器人与自动化国际会议论文集》，第5481-5486页。
[239] Liu，W.，Wang，J.，Ji，R.，Jiang，Y.G.，&Chang，S.F.（2012a）。有监督的内核哈希。《IEEE计算机视觉和模式识别会议论文集》，第2074-2081页。
[240] Liu，Y.，Wang，C.，Song，Z.，&Wang，M.（2018b）。通过平移搜索匹配旋转不变特征，实现高效的全局点云配准。《欧洲计算机视觉会议记录》，第448-463页。
[241] Liu，R.，Yang，C.，Sun，W.，Wang，X.，&Li，H.（2020年）。立体匹配：通过联合优化域转换和立体匹配，桥接合成到真实域的间隙。《IEEE/CVF计算机视觉和模式识别会议论文集》，第12757-12766页。
[242] 刘，X。；艾，Y。；张杰。；Wang，Z.，一种用于红外和可见光图像配准的新型仿射和对比度不变描述子，遥感，10，4，658（2018）
[243] 刘，Y。；陈，X。；彭，H。；Wang，Z.，利用深度卷积神经网络进行多聚焦图像融合，信息融合，36191-207（2017）
[244] 刘，H。；郭，B。；Feng，Z.，用于图像配准的伪长极傅里叶变换，IEEE信号处理快报，13，1，17-20（2005）
[245] 刘，Y。；刘，S。；Wang，Z.，密集筛选多聚焦图像融合，信息融合，23，139-155（2015）
[246] 刘，M。；Pradalier，C。；Siegwart，R.，《使用未校准的全向相机从比例上实现视觉寻的》，IEEE机器人学报，29，6，1353-1365（2013）
[247] 刘，ZY；Qiao，H.，GNCCP粒度非凸和凹过程，IEEE模式分析和机器智能学报，36，6，1258-1267（2014）
[248] 刘，ZY；乔·H。；Xu，L.，图形匹配问题的扩展路径跟踪算法，IEEE模式分析和机器智能汇刊，34，7，1451-1456（2012）
[249] 李毅。；王，S。；田强。；Ding，X.，《视觉特征检测最新进展的调查》，神经计算，149736-751（2015）
[250] Loeckx博士。；Slagmolen，P。；梅斯，F。；Vandermeulen，D。；Suetens，P.，使用条件互信息的非刚性图像配准，IEEE图像事务，29，1，19-29（2009）
[251] EM Loiola；de Abreu，NMM；Boaventura-Netto，PO；哈恩，P。；Querido，T.，二次分配问题的调查，《欧洲运筹学杂志》，176，2657-690（2007）·Zbl 1103.90058号
[252] Lowe，D.G.等人（1999年）。基于局部尺度不变特征的目标识别。IEEE计算机视觉国际会议论文集，第1150-1157页。
[253] Lowe，DG，《从尺度不变关键点获得的独特图像特征》，《国际计算机视觉杂志》，60，2，91-110（2004）
[254] Lowry，S.和Andreasson，H.（2018年）。Logos：高离群值空间验证的局部几何支持。《IEEE机器人与自动化国际会议论文集》，第7262-7269页。
[255] Luo，W.、Schwing，A.G.和Urtasun，R.（2016）。立体匹配的高效深度学习。《IEEE计算机视觉和模式识别会议记录》，第5695-5703页。
[256] Luo，Z.、Shen，T.、Zhou，L.、Zhang，J.、Yao，Y.、Li，S.、Fang，T.和Quan，L.（2019）。Contextdesc：使用跨模态上下文增强本地描述符。《IEEE计算机视觉和模式识别会议记录》，第2527-2536页。
[257] Luo，Z.，Zhou，L.，Bai，X.，Chen，H.，Zhang，J.，Yao，Y.，Li，S.，Fang，T.，&Quan，L.（2020年）。Aslfeat：学习准确形状和定位的局部特征。《IEEE/CVF计算机视觉和模式识别会议论文集》，第6589-6598页。
[258] Ma，J.，Zhao，J.、Jiang，J..、Zhou，H.、Zhow，Y.、Wang，Z.和Guo，X.（2018b）。通过引导的局部保持匹配实现视觉归巢。《IEEE机器人与自动化国际会议论文集》，第7254-7261页。
[259] 马J.、赵J.、田J.、涂Z.和Yuille，A.L.（2013b）。点集配准中非刚性变换的稳健估计。《IEEE计算机视觉和模式识别会议论文集》，第2147-2154页。
[260] 马，J。；陈，C。；李，C。；Huang，J.，通过梯度转移和总变化最小化实现红外和可见光图像融合，信息融合，31，100-109（2016）
[261] 梅斯，F。；Collignon，A。；Vandermeulen，D。；马查尔，G。；Suetens，P.，通过互信息最大化实现多模图像配准，IEEE图像汇刊，16，21887-198（1997）
[262] Mainali，P。；拉弗利特，G。；杨琼。；Geelen，B。；Van Gool，L。；Lauwereins，R.，Sifer:具有容错能力的尺度不变特征检测器，《国际计算机视觉杂志》，104，2，172-197（2013）·Zbl 1286.68476号
[263] Mair，E.、Hager，G.D.、Burschka，D.、Suppa，M.和Hirzinger，G.（2010年）。基于加速段测试的自适应和通用角点检测。《欧洲计算机视觉会议记录》，第183-196页。
[264] 梅塞利，B。；顾毅。；Gao，H.，点集配准方法的最新发展和趋势，《视觉传达与图像表征杂志》，46，95-106（2017）
[265] 马，J。；蒋，X。；姜杰。；赵，J。；Guo，X.，LMR：学习两类分类器以消除失配，IEEE图像处理学报，28，8，4045-4059（2019）·Zbl 07122961号
[266] 马，J。；姜杰。；刘，C。；Li，Y.，用于视网膜图像配准的带有半监督em和局部几何约束的特征引导高斯混合模型，信息科学，417，128-142（2017）·Zbl 1444.92054号
[267] 马，J。；姜杰。；周，H。；赵，J。；Guo，X.，用于遥感图像配准的引导局部保持特征匹配，IEEE地球科学与遥感汇刊，56，8，4435-4447（2018）
[268] 马，J。；梁，P。；于伟（Yu，W.）。；陈，C。；郭，X。；Wu，J.，通过细节保护对抗性学习进行红外和可见光图像融合，信息融合，54，85-98（2020）
[269] 马，J。；邱伟。；赵，J。；马云（Ma，Y.）。；阿拉巴马州尤伊尔；Tu，Z.，非刚性配准变换的稳健估计，IEEE信号处理学报，63，5，1115-1129（2015）·Zbl 1394.94358号
[270] Marimon，D.、Bonnin，A.、Adamek，T.和Gimeno，R.（2010年）。飞镖：菊花关键点的高效尺度空间提取。在IEEE关于计算机视觉和模式识别的会议记录中，第2416-2423页。
[271] Maron，H.和Lipman，Y.（2018年）。（可能）凹图匹配。《神经信息处理系统进展》，第406-416页。
[272] 马龙，H。；Dym，N。；Kezurer，I。；科瓦斯基，S。；Lipman，Y.，通过有效凸松弛进行点注册，ACM图形交易，35，4，73（2016）
[273] Masci，J.、Boscaini，D.、Bronstein，M.和Vandergheynst，P.（2015）。黎曼流形上的测地卷积神经网络。IEEE计算机视觉研讨会国际会议记录，第37-45页。
[274] 马苏德，A。；Sarfraz，M.，通过沿平面曲线滑动矩形进行角点检测，计算机与图形，31，3，440-448（2007）
[275] 马塔斯，J。；查姆·O。；厄本，M。；Pajdla，T.，《来自最大稳定极值区域的鲁棒宽基线立体声》，图像和视觉计算，22，10，761-767（2004）
[276] 马伟（Ma，W.）。；温，Z。；吴，Y。；Jiao，L。；龚，M。；Zheng，Y.，改良sift和增强特征匹配的遥感图像配准，IEEE地球科学与遥感快报，14，1，3-7（2017）
[277] 马，J。；吴杰。；赵，J。；姜杰。；周，H。；Sheng，QZ，流形正则化下鲁棒变换学习的非刚性点集注册，IEEE神经网络与学习系统汇刊，30，12，3584-3597（2019）
[278] Mayer，N.、Ilg，E.、Hausser，P.、Fischer，P.，Cremers，D.、Dosovitskiy，A.和Brox，T.（2016）。用于训练卷积网络以进行视差、光流和场景流估计的大型数据集。IEEE计算机视觉和模式识别会议记录，第4040-4048页。
[279] 马，J。；于伟（Yu，W.）。；梁，P。；李，C。；Jiang，J.，Fusiongan:红外和可见光图像融合的生成性对抗网络，信息融合，48，11-26（2019）
[280] 马，J。；赵，J。；姜杰。；周，H。；郭，X.，局部保持匹配，国际计算机视觉杂志，127，5，512-531（2019）·Zbl 1458.68241号
[281] 马，J。；赵，J。；马云（Ma，Y.）。；Tian，J.，基于正则高斯场准则的非刚性可见和红外人脸配准，模式识别，48，3，772-784（2015）
[282] 马，J。；赵，J。；田，J。；Bai，X。；Tu，Z.，用稀疏近似进行正则化向量场学习以消除失配，模式识别，46，12，3519-3532（2013）·Zbl 1326.68232号
[283] 马，J。；赵，J。；田，J。；亚利桑那州尤耶；Tu，Z.，通过向量场一致性进行鲁棒点匹配，IEEE图像处理汇刊，23，4，1706-1721（2014）·Zbl 1374.94246号
[284] 马，J。；赵，J。；Yuille，AL，通过保留全局和局部结构进行非刚性点集注册，IEEE图像处理汇刊，25，1，53-64（2016）·Zbl 1408.94463号
[285] 马，J。；周，H。；赵，J。；高，Y。；姜杰。；Tian，J.，通过局部线性变换实现遥感图像配准的鲁棒特征匹配，IEEE地球科学与遥感汇刊，53，126469-6481（2015）
[286] Mian，A。；Bennamoun，M。；Owens，R.，《从杂乱场景中基于局部特征的三维对象检索关键点的重复性和质量》，《国际计算机视觉杂志》，89，2-3，348-361（2010）
[287] Miao，S.、Piat，S.，Fischer，P.、Tuysuzoglu，A.、Mewes，P.，Mansi，T.和Liao，R.（2018年）。扩展的fcn用于多智能体2d/3d医学图像配准。《第三十二届AAAI人工智能会议论文集》，第4694-4701页。
[288] Mikolajczyk，K.和Schmid，C.（2001年）。基于缩放不变兴趣点的索引。《IEEE计算机视觉国际会议论文集》，第525-531页。
[289] Mikolajczyk，K。；Schmid，C.，尺度和仿射不变兴趣点检测器，国际计算机视觉杂志，60，1，63-86（2004）
[290] Mikolajczyk，K。；Schmid，C.，局部描述符的性能评估，IEEE模式分析和机器智能汇刊，27，10，1615-1630（2005）
[291] Mikolajczyk，K。；Tuytelaars，T。；施密德，C。；齐瑟曼，A。；马塔斯，J。；Schafalitzky，F。；Kadir，T。；Van Gool，L.，仿射区域检测器的比较，国际计算机视觉杂志，65，1-2，43-72（2005）
[292] Mishchuk，A.、Mishkin，D.、Radenovic，F.和Matas，J.（2017）。努力了解邻居的边际：局部描述符学习损失。《神经信息处理系统进展》，第4826-4837页。
[293] Mishkin，D.、Radenovic，F.和Matas，J.（2017）。通过可区分性学习有区别的仿射区域。arXiv预打印arXiv:1711.06704。
[294] Mishkin，D.、Radenovic，F.和Matas，J.（2018年）。可重复性是不够的：通过可区分性学习仿射区域。《欧洲计算机视觉会议记录》，第284-300页。
[295] Mitra，R.、Doiphode，N.、Gautam，U.、Narayan，S.、Ahmed，S.，Chandran，S.和Jain，A.（2018年）。用于改进补丁匹配的大型数据集。arXiv预印arXiv:1801.01466。
[296] Mok，T.C.和Chung，A.（2020年）。基于卷积神经网络的快速对称微分图像配准。《IEEE/CVF计算机视觉和模式识别会议论文集》，第4644-4653页。
[297] Mokhtarian，F。；Suomela，R.，通过曲率尺度空间进行鲁棒图像角点检测，IEEE模式分析和机器智能汇刊，20，12，1376-1381（1998）
[298] Möller，R。；Krzykawski，M。；Gerstmayr，L.，《视觉机器人导航的三种2d-warping方案》，《自主机器人》，29，3-4，253-291（2010）
[299] Monti，F.、Boscaini，D.、Masci，J.、Rodola，E.、Svoboda，J.和Bronstein，M.M.（2017）。使用混合模型CNN对图和流形进行几何深度学习。在IEEE关于计算机视觉和模式识别的会议记录中，第5115-5124页。
[300] Moo Yi，K.、Trulls，E.、Ono，Y.、Lepetit，V.、Salzmann，M.和Fua，P.（2018年）。学会寻找良好的通信。《IEEE计算机视觉和模式识别会议记录》，第2666-2674页。
[301] Moo Yi，K.、Verdie，Y.、Fua，P.和Lepetit，V.（2016）。学习为特征点指定方向。《IEEE计算机视觉和模式识别会议论文集》，第107-116页。
[302] Moravec，H.P.（1977年）。自动视觉障碍回避技术。
[303] JM莫雷尔；Yu，G.，Asift:全仿射不变图像比较的新框架，SIAM成像科学杂志，2，2，438-469（2009）·Zbl 1181.68252号
[304] 穆克吉，D。；吴庆杰；Wang，G.，图像特征检测器和描述符的比较实验研究，机器视觉与应用，26，4，443-466（2015）
[305] 穆尔·阿尔塔尔，R。；蒙蒂尔，JMM；Tardos，JD，ORB-SLAM：一个多功能和精确的单目满贯系统，IEEE机器人学报，31，5，1147-1163（2015）
[306] 穆斯塔法，A。；Kim，H。；Hilton，A.，Msfd：用于宽基线场景重建的基于多尺度分割的特征检测，IEEE图像处理汇刊，28，3，1118-1132（2018）
[307] Myronenko，A。；Song，X.，点集注册：相干点漂移，IEEE模式分析和机器智能汇刊，32，12，2262-2275（2010）
[308] Nasuto，D.和Craddock，J.B.R.（2002）。Napsac：高噪声、高维稳健估计——它就在囊中。《英国机器视觉会议记录》，第458-467页。
[309] Ni，K.，Jin，H.，&Dellaert，F.（2009）。Groupsac：在分组中达成有效共识。《IEEE计算机视觉国际会议论文集》，第2193-2200页。
[310] Norouzi，M.和Blei，D.M.（2011年）。紧凑二进制代码的最小损失散列。《机器学习国际会议论文集》，第353-360页。
[311] 纽希特，A。；Lingemann，K。；赫茨伯格，J。；Surmann，H.，6d SLAM-3d室外环境测绘，《野外机器人杂志》，24，8-9，699-722（2007）·Zbl 1243.68294号
[312] Ojala，T。；Pietikäinen，M。；Mäenpää，T.，具有局部二进制模式的多分辨率灰度和旋转不变纹理分类，IEEE模式分析和机器智能汇刊，24，7，971-987（2002）·Zbl 0977.68853号
[313] Ono，Y.、Trulls，E.、Fua，P.和Yi，K.M.（2018年）。LF-NET：从图像中学习局部特征。《神经信息处理系统进展》，第6234-6244页。
[314] 奥夫斯亚尼科夫，M。；Ben-Chen，M。；所罗门，J。；布彻，A。；Guibas，L.，《功能图：图形间映射的灵活表示法》，《ACM图形交易》，第31、4、30页（2012年）
[315] Pachauri，D.、Kondor，R.和Singh，V.（2013）。通过置换同步解决多路匹配问题。《神经信息处理系统进展》，第1860-1868页。
[316] Pais，G.D.、Ramalingam，S.、Govindu，V.M.、Nascimento，J.C.、Chellappa，R.和Miraldo，P.（2020年）。3dregnet：用于三维点注册的深度神经网络。《IEEE/CVF计算机视觉和模式识别会议论文集》，第7193-7203页。
[317] Pan，W.H.、Wei，S.D.和Lai，S..H.（2008）。Walsh-Hadamard域中基于NCC的高效图像匹配。《欧洲计算机视觉会议记录》，第468-480页。
[318] Pang，J.、Sun，W.、Ren，J.S.、Yang，C.和Yan，Q.（2017）。级联残差学习：用于立体匹配的两级卷积神经网络。《IEEE计算机视觉国际会议论文集》，第887-895页。
[319] 帕帕佐夫，C。；Burschka，D.，鲁棒点集配准的随机全局优化，计算机视觉和图像理解，115，121598-1609（2011）
[320] Park，J.、Zhou，Q.Y.和Koltun，V.（2017）。重新访问彩色点云注册。IEEE计算机视觉国际会议论文集，第143-152页。
[321] Parra Bustos，A.、Chin，T.J.和Suter，D.（2014）。快速旋转搜索与立体投影三维配准。《IEEE计算机视觉和模式识别会议记录》，第3930-3937页。
[322] 保罗·S。；Pati，UC，使用改进的统一稳健筛选进行遥感光学图像配准，IEEE Geoscience and Remote sensing Letters，13，9，1300-1304（2016）
[323] 佩罗纳，P。；Malik，J.，使用各向异性扩散的尺度空间和边缘检测，IEEE模式分析和机器智能汇刊，12，7，629-639（1990）
[324] Philbin，J.、Chum，O.、Isard，M.、Sivic，J.和Zisserman，A.（2007年）。具有大量词汇和快速空间匹配的对象检索。IEEE计算机视觉和模式识别会议记录，第1-8页。
[325] 皮亚斯科，N。；Sidibé，D。；Demonceaux，C。；Gouet-Brunet，V.，《基于视觉的本地化调查：异构数据的益处》，模式识别，74，90-109（2018）
[326] Pilet，J。；Lepetit，V。；Fua，P.，《快速非刚性表面检测、注册和真实感增强》，《国际计算机视觉杂志》，76，2，109-122（2008）
[327] 皮涅罗，AM；Ghanbari，M.，通过主要点的尺度空间选择对轮廓进行分段近似，IEEE图像处理汇刊，19，6，1442-1450（2010）·Zbl 1371.94296号
[328] Plötz，T.和Roth，S.（2018年）。神经最近邻网络。《神经信息处理系统进展》，第1087-1098页。
[329] Poggi，M.、Pallotti，D.、Tosi，F.和Mattoccia，S.（2019年）。引导立体声匹配。《IEEE计算机视觉和模式识别会议论文集》，第979-988页。
[330] 波尔，C。；Van Genderen，JL，评论文章《遥感中的多传感器图像融合：概念、方法和应用》，《国际遥感杂志》，19，5，823-854（1998）
[331] Pokrass，J.、Bronstein，A.M.、Bronstein，M.M.、Sprechmann，P.和Sapiro，G.（2013）。内在对应的稀疏建模。在计算机图形论坛，第32卷，威利在线图书馆，第459-468页·Zbl 1380.68404号
[332] Pomerleau，F。；科拉斯，F。；Siegwart，R。；Magnenat，S.，《在真实数据集上比较ICP变量》，《自动机器人》，34，3，133-148（2013）
[333] Poursaeed，O.、Yang，G.、Prakash，A.、Fang，Q.、Jiang，H.、Hariharan，B.和Belongie，S.（2018年）。无对应的深基础矩阵估计。《欧洲会议计算机视觉研讨会论文集》，第1-13页。
[334] Qi，C.R.，Su，H.，Mo，K.，&Guibas，L.J.（2017a）。Pointnet：针对三维分类和分割的点集的深度学习。《IEEE计算机视觉和模式识别会议论文集》，第652-660页。
[335] Qi，C.R.，Yi，L.，Su，H.，&Guibas，L.J.（2017b）。Pointnet++：度量空间中点集的深度分层特征学习。《神经信息处理系统进展》，第5099-5108页。
[336] 昆兰，JR，决策树归纳，机器学习，1，1，81-106（1986）
[337] 拉古拉姆，R。；查姆·O。；Pollefeys，M。；马塔斯，J。；Frahm，JM，USAC：随机样本共识的通用框架，IEEE模式分析和机器智能汇刊，35，8，2022-2038（2012）
[338] Ramer，U.，平面曲线多边形近似的迭代程序，计算机图形和图像处理，1，3，244-256（1972）
[339] A.拉米萨。；Goldhoorn，A。；阿尔达维特，D。；托莱多，R。；de Mantaras，RL，《结合不变特征和基于全景图的自动机器人导航ALV归航方法》，《智能与机器人系统杂志》，64，3-4，625-649（2011）
[340] Ranftl，R.和Koltun，V.（2018年）。深层基本矩阵估计。《欧洲计算机视觉会议记录》，第284-299页。
[341] Reddy，理学学士；Chatterji，BN，用于平移、旋转和比例不变图像配准的基于FFT的技术，IEEE图像处理汇刊，5，8，1266-1271（1996）
[342] Revaud，J.、Weinzaepfel，P.、De Souza，C.、Pion，N.、Csurka，G.、Cabon，Y.和Humenberger，M.（2019年）。R2d2：可重复且可靠的检测器和描述符。arXiv预打印arXiv:1906.06195。
[343] Revaud，J。；Weinzaepfel等人。；Z.哈查乌伊。；Schmid，C.，深度匹配：分层可变形稠密匹配，国际计算机视觉杂志，120，3，300-323（2016）
[344] Richardson，A.和Olson，E.（2013）。学习用于兴趣点检测的卷积滤波器。《IEEE机器人与自动化国际会议论文集》，第631-637页。
[345] 罗伯逊，C。；Fisher，RB，距离数据的并行进化注册，计算机视觉和图像理解，87，1-3，39-50（2002）·Zbl 1031.68628号
[346] Rocco，I.、Arandjelovic，R.和Sivic，J.（2017）。用于几何匹配的卷积神经网络结构。《IEEE计算机视觉和模式识别会议记录》，第6148-6157页。
[347] Rocco，I.、Cimpoi，M.、Arandjelović，R.、Torii，A.、Pajdla，T.和Sivic，J.（2018年）。邻里共识网络。《神经信息处理系统进展》，第1651-1662页。
[348] Rodola，E.、Bronstein，A.M.、Albarelli，A.、Bergamasco，F.和Torsello，A.（2012年）。变形形状匹配的游戏理论方法。《IEEE计算机视觉和模式识别会议论文集》，第182-189页。
[349] Rodolá，E.、Cosmo，L.、Bronstein，M.M.、Torsello，A.和Cremers，D.（2017年）。部分功能通信。在计算机图形论坛，第36卷，威利在线图书馆，第222-236页。
[350] Rodolá，E.、Rota Bulo，S.、Windheuser，T.、Vestner，M.和Cremers，D.（2014年）。使用随机森林的密集非刚性形状对应。《IEEE计算机视觉和模式识别会议论文集》，第4177-4184页。
[351] Rodola，E.、Torsello，A.、Harada，T.、Kuniyoshi，Y.和Cremers，D.（2013）。形状匹配的弹性网络约束。《IEEE计算机视觉国际会议论文集》，第1169-1176页。
[352] 罗森菲尔德，A。；Weszka，JS，《数字曲线角度检测的改进方法》，IEEE计算机学报，100，9，940-941（1975）
[353] Rosten，E.和Drummond，T.（2006）。用于高速角点检测的机器学习。《欧洲计算机视觉会议记录》，第430-443页。
[354] Rosten，E。；波特，R。；Drummond，T.，《更快更好：角点检测的机器学习方法》，IEEE模式分析和机器智能汇刊，32，1，105-119（2010）
[355] Rublee，E.、Rabaud，V.、Konolige，K.和Bradski，G.R.（2011年）。Orb：一种有效的筛选或冲浪替代方法。载于《IEEE计算机视觉国际会议论文集》，第2564-2571页。
[356] Rustamov，R.M.（2007）。变形不变形状表示的Laplace-Beltrami特征函数。《欧洲制图几何处理研讨会论文集》，第225-233页。
[357] Rusu，R.B.、Blodow，N.和Beetz，M.（2009年）。用于三维配准的快速点特征直方图（fpfh）。《IEEE机器人与自动化国际会议论文集》，第3212-3217页。
[358] Rusu，R.B.、Blodow，N.、Marton，Z.C.和Beetz，M.（2008）。使用永久特征直方图对齐点云视图。《IEEE/RSJ智能机器人和系统国际会议论文集》，第3384-3391页。
[359] Sahillioglu，Y.和Yemez，Y.（2011年）。密集等距形状对应的粗-精组合匹配。在计算机图形论坛，第30卷，威利在线图书馆，第1461-1470页。
[360] Salakhutdinov，R。；Hinton，G.，语义散列，国际近似推理杂志，50，7，969-978（2009）
[361] Salti，S.、Lanza，A.和Di Stefano，L.（2013）。通过波传播实现对称性的关键点。《IEEE计算机视觉和模式识别会议论文集》，第2898-2905页。
[362] Salti，S.、Tombari，F.、Spezialetti，R.和Di Stefano，L.（2015）。学习特定于描述符的三维关键点检测器。《IEEE计算机视觉国际会议论文集》，第2318-2326页。
[363] 桑杜，R。；南部丹布雷维尔。；Tannenbaum，A.，通过粒子滤波和随机动力学进行点集注册，IEEE模式分析和机器智能汇刊，32，8，1459-1473（2010）
[364] Sarlin，P.E.、DeTone，D.、Malisiewicz，T.和Rabinovich，A.（2020年）。Superglue：使用图形神经网络学习特征匹配。《IEEE/CVF计算机视觉和模式识别会议论文集》，第4938-4947页。
[365] Savinov，N.、Seki，A.、Ladicky，L.、Sattler，T.和Pollefeys，M.（2017年）。四维网络：无监督学习，用于兴趣点检测排名。《IEEE计算机视觉和模式识别会议论文集》，第1822-1830页。
[366] Scarselli，F.、Gori，M.、Tsoi，A.C.、Hagenbuchner，M.和Monfardini，G.（2009年）。图形神经网络模型。在TNN中。
[367] Schellewald，C.和Schnörr，C.（2005）。基于凸松弛的概率子图匹配。《计算机视觉和模式识别中能量最小化方法国际研讨会论文集》，第171-186页。
[368] Schonberger，J.L.和Frahm，J.M.（2016）。重新审视结构-运动。《IEEE计算机视觉和模式识别会议记录》，第4104-4113页。
[369] Schonberger，J.L.、Hardmeier，H.、Sattler，T.和Pollefeys，M.（2017）。手工制作和学习当地特色的比较评估。《IEEE计算机视觉和模式识别会议记录》，第1482-1491页。
[370] Schroeter，D.和Newman，P.（2008）。地标不确定性下视觉寻的鲁棒性研究。《智能自主系统论文集》，第278-287页。
[371] 斯科特，德国劳埃德船级社；Longuet-Higgins，HC，关联两幅图像特征的算法，伦敦皇家学会学报。B辑：生物科学，244130921-26（1991）
[372] Shah，R.、Srivastava，V.和Narayanan，P.（2015）。运动应用程序结构的几何图形特征匹配。《IEEE计算机视觉应用冬季会议论文集》，第278-285页。
[373] Shaked，A.和Wolf，L.（2017年）。通过恒定的高速公路网络和反射式信心学习改进立体匹配。《IEEE计算机视觉和模式识别会议论文集》，第4641-4650页。
[374] Shakhnarovich，G.（2005年）。学习特定任务的相似性。麻省理工学院博士论文。
[375] 夏皮罗，LS；Brady，JM，《基于特征的通信：特征向量方法》，图像和视觉计算，10，5，283-288（1992）
[376] Shen，X.、Wang，C.、Li，X.、Yu，Z.、Li，J.、Wen，C.、Cheng，M.和He，Z.（2019）。RF-NET：基于感受野的端到端图像匹配网络。《IEEE计算机视觉和模式识别会议论文集》，第8132-8140页。
[377] Shi，J.和Tomasi，C.（1993）。要跟踪的良好功能。康奈尔大学技术报告。
[378] 席尔瓦，L。；贝隆，ORP；Boyer，KL，使用稳健的表面穿透测量和增强的遗传算法进行精确距离图像配准，IEEE模式分析和机器智能汇刊，27，5，762-776（2005）·Zbl 1092.68111号
[379] Simonovsky，M.、Gutiérrez-Becker，B.、Mateus，D.、Navab，N.和Komodakis，N.（2016）。多模式注册的深度度量。《医学图像计算和计算机辅助干预国际会议论文集》，第10-18页。
[380] Simonyan，K。；Vedaldi，A。；Zisserman，A.，使用凸优化学习局部特征描述符，IEEE模式分析和机器智能汇刊，36，8，1573-1585（2014）
[381] Simo-Serra，E.、Trulls，E.、Ferraz，L.、Kokkinos，I.、Fua，P.和Moreno-Noguer，F.（2015）。深度卷积特征点描述符的判别学习。《IEEE计算机视觉国际会议论文集》，第118-126页。
[382] 斯皮兰，I。；Bustos，B.，Harris 3d：Harris算子在三维网格兴趣点检测中的稳健扩展，可视化计算机，27，11，963（2011）
[383] Sivic，J.和Zisserman，A.（2003年）。视频谷歌：一种用于视频中对象匹配的文本检索方法。IEEE计算机视觉国际会议论文集，第1-8页。
[384] 史密斯，SM；Brady，JM，Susan:《低层图像处理的新方法》，《国际计算机视觉杂志》，23，1，45-78（1997）
[385] Sofka，M.、Yang，G.和Stewart，C.V.（2007年）。期望最大化框架中的同时协方差驱动对应（CDC）和变换估计。《IEEE计算机视觉和模式识别会议论文集》，第1-8页。
[386] Sokooti，H.、de Vos，B.、Berendsen，F.、Lelieveldt，B.P.、Isgum，I.和Staring，M.（2017年）。基于多尺度三维卷积神经网络的非刚性图像配准。《医学图像计算和计算机辅助干预国际会议论文集》，第232-239页。
[387] Sotiras，A。；达瓦齐科斯，C。；Paragios，N.，《可变形医学图像注册：一项调查》，IEEE医学成像学报，32，7，1153（2013）
[388] Strecha，C.、Lindner，A.、Ali，K.和Fua，P.（2009年）。针对特定任务关键点检测的培训。在联合模式识别研讨会上，Springer，第151-160页。
[389] Strecha，C.、Von Hansen，W.、Van Gool，L.、Fua，P.和Thoennessen，U.（2008年）。标杆相机校准和多视图立体高分辨率图像。《IEEE计算机视觉和模式识别会议记录》，第1-8页。
[390] 斯特里查，C。；布朗斯坦，A。；Bronstein，M。；Fua，P.，Ldahash:使用较小描述符改进匹配，IEEE模式分析和机器智能学报，34，1，66-78（2012）
[391] Sturm，J.、Engelhard，N.、Endres，F.、Burgard，W.和Cremers，D.（2012年）。用于评估RGB-D slam系统的基准。《IEEE/RSJ智能机器人和系统国际会议论文集》，第573-580页。
[392] Suh，Y.、Cho，M.和Lee，K.M.（2012年）。通过顺序蒙特卡罗进行图形匹配。《欧洲计算机视觉会议记录》，第624-637页。
[393] Sun，J.、Ovsjanikov，M.和Guibas，L.（2009年）。一种基于热扩散的简洁且可证明的信息量大的多尺度签名。在计算机图形论坛，第28卷，威利在线图书馆，第1383-1392页。
[394] Sweeney，C.、Holler，T.和Turk，M.（2015）。Theia：一个快速且可扩展的结构-rom-motion库。《ACM多媒体国际会议记录》，第693-696页。
[395] Swoboda，P.、Kuske，J.和Savchynsky，B.（2017年）。组合问题拉格朗日分解的对偶上升框架。《IEEE计算机视觉和模式识别会议论文集》，第1596-1606页。
[396] Swoboda，P.、Mokarian，A.、Theobalt，C.、Bernard，F.等人（2019年）。用于多图匹配的凸松弛。《IEEE计算机视觉和模式识别会议记录》，第11156-11165页。
[397] Swoboda，P.、Rother，C.、Abu Alhaija，H.、Kainmuller，D.和Savchynskyy，B.（2017）。图匹配的拉格朗日分解和对偶上升解算器的研究。《IEEE计算机视觉和模式识别会议论文集》，第1607-1616页。
[398] Takita，K。；青木，T。；Y.佐佐木。；Higuchi，T。；Kobayashi，K.，基于纯相位相关的高精度亚像素图像配准，IEICE电子、通信和计算机科学基础汇刊，86，81925-1934（2003）
[399] Tang，F.、Lim，S.H.、Chang，N.L.和Tao，H.（2009）。一种新的对复杂亮度变化保持不变的特征描述符。《IEEE计算机视觉和模式识别会议论文集》，第2631-2638页。
[400] Tevs，A.、Berner，A.、Wand，M.、Ihrke，I.和Seidel，H.P.（2011年）。通过计划地标采样进行内部形状匹配。在计算机图形论坛，第30卷，威利在线图书馆，第543-552页。
[401] 托米，B。；DA Shamma；Friedland，G。；Elizalde，B。；Ni，K。；波兰，D。；Borth，D。；Li，LJ，Yfcc100m:多媒体研究中的新数据，ACM通信，59，2，64-73（2016）
[402] Tian，Y.、Fan，B.和Wu，F.（2017）。L2-net：欧几里德空间中区分性补丁描述符的深度学习。《IEEE计算机视觉和模式识别会议论文集》，第661-669页。
[403] Tian，Y.、Yan，J.、Zhang，H.、Zheng，Y.，Yang，X.和Zha，H.（2012）。关于图匹配的收敛性：重新审视分级作业。《欧洲计算机视觉会议记录》，第821-835页。
[404] Tian，Y.，Yu，X.，Fan，B.，Wu，F.，Heijnen，H.，&Balntas，V.（2019年）。Sosnet：用于局部描述符学习的二阶相似性正则化。《IEEE计算机视觉和模式识别会议论文集》，第11016-11025页。
[405] Toews，M.和Wells，W.（2009年）。Sift-rank：不变特征对应的顺序描述。《IEEE计算机视觉和模式识别会议记录》，第172-177页。
[406] 托拉，E。；Lepetit，V。；Fua，P.，Daisy:一种应用于宽基线立体声的高效密集描述符，IEEE模式分析和机器智能学报，32，5815-830（2010）
[407] Tombari，F.、Salti，S.和Di Stefano，L.（2010a）。用于三维数据描述的唯一形状上下文。《ACM三维对象检索研讨会论文集》，第57-62页。
[408] Tombari，F.、Salti，S.和Di Stefano，L.（2010b）。用于局部曲面描述的直方图的唯一签名。《欧洲计算机视觉会议记录》，第356-369页。
[409] Tombari，F。；Salti，S。；Di Stefano，L.，三维关键点探测器的性能评估，国际计算机视觉杂志，102，1-3，198-220（2013）
[410] Torr，P.H.（2003）。用半定规划求解马尔可夫随机场。在AISTATS程序中，第1-8页。
[411] Torr，P.和Zisserman，A.（1998年）。多视图关系的稳健计算和参数化。《计算机视觉国际会议论文集》，第727-732页。
[412] 托雷萨尼，L。；科尔莫戈罗夫，V。；Rother，C.，特征对应的双重分解方法，IEEE模式分析和机器智能汇刊，35，2，259-271（2012）
[413] 托尔，PH；Zisserman，A.，Mlesac:一种新的稳健估计器，用于估计图像几何、计算机视觉和图像理解，78，1，138-156（2000）
[414] Trajković，M。；Hedley，M.，快速角点检测，图像和视觉计算，16，2，75-87（1998）
[415] Tron，R.、Zhou，X.、Esteves，C.和Danilidis，K.（2017）。通过基于密度的聚类实现快速多图像匹配。《IEEE计算机视觉国际会议论文集》，第4057-4066页。
[416] Truong，P.、Danelljan，M.和Timofte，R.（2020年）。Glu-net：用于密集流和通信的全局全局通用网络。《IEEE/CVF计算机视觉和模式识别会议论文集》，第6258-6268页。
[417] Trzcinski，T.和Lepetit，V.（2012年）。紧凑二进制描述符的有效区分投影。《欧洲计算机视觉会议记录》，第228-242页。
[418] Trzcinski，T.、Christoudias，M.、Fua，P.和Lepetit，V.（2013）。提升二进制关键点描述符。《IEEE计算机视觉和模式识别会议论文集》，第2874-2881页。
[419] Trzcinski，T.、Christoudias，M.、Lepetit，V.和Fua，P.（2012）。用助推技巧学习图像描述符。《神经信息处理系统进展》，第269-277页。
[420] Trzcinski，T。；克里斯托迪亚斯，M。；Lepetit，V.，《使用增强学习图像描述符》，IEEE模式分析和机器智能汇刊，37，3，597-610（2014）
[421] Tsin，Y.和Kanade，T.（2004）。一种基于相关性的鲁棒点集配准方法。《欧洲计算机视觉会议记录》，第558-569页·Zbl 1098.68878号
[422] Tuytelaars，T。；Van Gool，L.，基于仿射不变区域的广泛分离视图匹配，国际计算机视觉杂志，59，1，61-85（2004）
[423] Tuytelaars，T。；Mikolajczyk，K.，《局部不变特征检测器：一项调查》，《计算机图形和视觉的基础和趋势》，3，3，177-280（2008）
[424] Ufer，N.和Ommer，B.（2017年）。深度语义特征匹配。《IEEE计算机视觉和模式识别会议记录》，第6914-6923页。
[425] Umeyama，S.，加权图匹配问题的特征分解方法，IEEE模式分析和机器智能汇刊，10，5，695-703（1988）·兹伯利0678.05049
[426] Unnikrishnan，R.和Hebert，M.（2008年）。来自无组织点云的多尺度感兴趣区域。IEEE计算机视觉和模式识别研讨会会议记录，第1-8页。
[427] 范怀克，BJ；van Wyk，MA，基于POCS的图匹配算法，IEEE模式分析和机器智能汇刊，26，11，1526-1530（2004）
[428] Van Kaick，O.、Zhang，H.、Hamarneh，G.和Cohen-Or，D.（2011年）。形状对应性调查。在计算机图形论坛，第30卷，威利在线图书馆，第1681-1707页。
[429] Verdie，Y.、Yi，K.、Fua，P.和Lepetit，V.（2015）。颚化符：一种时间不变的学习检测器。《IEEE计算机视觉和模式识别会议记录》，第5279-5288页。
[430] Vongkulbhisal，J.、De la Torre，F.和Costeira，J.P.（2017年）。鉴别优化：点云配准的理论和应用。《IEEE计算机视觉和模式识别会议论文集》，第4104-4112页。
[431] Vongkulbhisal，J.、Irastorza Ugalde，B.、De la Torre，F.和Costeira，J.P.（2018年）。点云配准的逆合成判别优化。《IEEE计算机视觉和模式识别会议论文集》，第2993-3001页。
[432] Wang，J.和Zhang，M.（2020年）。Deepflash：基于学习的医学图像注册的高效网络。在关于计算机视觉和模式识别的IEEE/CFF会议记录中，第4444-4452页。
[433] Wang，C.、Bronstein，M.M.、Bronstien，A.M.和Paragios，N.（2011年）。非刚性形状匹配的离散最小变形对应问题。《计算机视觉中尺度空间和变分方法国际会议论文集》，第580-591页。
[434] Wang，Z.、Fan，B.和Wu，F.（2011）。用于特征描述的局部强度顺序模式。《计算机视觉国际会议论文集》，第603-610页。
[435] Wang，H.，Guo，J.，Yan，D.M.，Quan，W.，&Zhang，X.（2018b）。学习用于非刚性形状匹配的三维关键点描述符。《欧洲计算机视觉会议记录》，第3-19页。
[436] Wang，J.，Kumar，S.，&Chang，S.F.用于可缩放图像检索的半监督散列。在IEEE计算机视觉和模式识别会议记录中。
[437] Wang，T.、Liu，H.、Li，Y.、Jin，Y.，Hou，X.和Ling，H.（2020）。学习图形匹配的组合求解器。《IEEE/CVF计算机视觉和模式识别会议论文集》，第7568-7577页。
[438] Wang，J.、Song，Y.、Leung，T.、Rosenberg，C.、Wang，J、Philbin，J.，Chen，B.和Wu，Y.（2014）。通过深度排序学习细粒度图像相似性。《IEEE计算机视觉和模式识别会议论文集》，第1386-1393页。
[439] Wang，G.、Wang，Z.、Chen，Y.、Zhou，Q.和Zhao，W.（2016）。非刚性点集配准的上下文高斯场。IEEE计算机视觉和模式识别会议记录，第5811-5819页。
[440] Wang，F.、Xue，N.、Yu，J.G.和Xia，G.S.（2020年）。与离群值匹配的图的零赋值约束。在关于计算机视觉和模式识别的IEEE/CFF会议记录中，第3033-3042页。
[441] Wang，F.，Xue，N.，Zhang，Y.，Bai，X.，&Xia，G.S.（2018a）。自适应转换图形匹配。《欧洲计算机视觉会议记录》，第625-640页。
[442] Wang，R.、Yan，J.和Yang，X.（2019）。学习用于深度图匹配的组合嵌入网络。在ICCV中。
[443] Wang，Q.，Zhou，X.，&Danilidis，K.（2018）。通过挖掘一致性特征进行多图像语义匹配。《IEEE计算机视觉和模式识别会议记录》，第685-694页。
[444] Wang，J.，Zhou，F.，Wen，S.，Liu，X.，&Lin，Y.（2017）。具有角度损失的深度度量学习。《IEEE计算机视觉国际会议论文集》，第2593-2601页。
[445] Wang，Z。；风扇，B。；王，G。；Wu，F.，探索局部和整体顺序信息以进行稳健特征描述，IEEE模式分析和机器智能汇刊，38，11，2198-2211（2015）
[446] 王，G。；Wang，Z。；陈，Y。；赵伟，用于多模式视网膜图像配准的鲁棒点匹配方法，生物医学信号处理与控制，19，68-76（2015）
[447] Wei，L.、Huang，Q.、Ceylan，D.、Vouga，E.和Li，H.（2016）。使用卷积网络实现密集的人体通信。《IEEE计算机视觉和模式识别会议论文集》，第1544-1553页。
[448] Wei，X.、Zhang，Y.、Gong，Y.和Zheng，N.（2018）。深层局部描述符的核化子空间池。《IEEE计算机视觉和模式识别会议论文集》，第1867-1875页。
[449] KQ温伯格；Saul，LK，《大幅度最近邻分类的距离度量学习》，《机器学习研究杂志》，207-244年2月10日（2009）·Zbl 1235.68204号
[450] Weiss，Y.、Torralba，A.和Fergus，R.（2009）光谱散列。《神经信息处理系统进展》，第1753-1760页。
[451] Windheuser，T.、Vestner，M.、Rodolá，E.、Triebel，R.和Cremers，D.（2014）。非刚性形状分析的最佳内在描述符。英国机器视觉会议论文集。
[452] Wohlhart，P.和Lepetit，V.（2015）。用于对象识别和三维姿势估计的学习描述符。《IEEE计算机视觉和模式识别会议论文集》，第3109-3118页。
[453] Wu，Y.、Lim，J.和Yang，M.H.（2015b）。对象跟踪基准。IEEE模式分析和机器智能汇刊，37（9），1834-1848。
[454] Wu，J.、Zhang，H.和Guan，Y.（2014）。通过使用位置敏感散列匹配二进制视觉特征来检测视觉循环闭包。《世界智能控制和自动化大会会议记录》，第940-945页。
[455] Wu，C.视觉形式：来自运动系统的视觉结构。2018年11月16日检索自http://ccwu.me/vsfm/doc.html。
[456] Wu，G。；Kim，M。；王，Q。；蒙塞尔，不列颠哥伦比亚省；Shen，D.，通过无监督深层特征表示学习实现可伸缩高性能图像注册框架，IEEE生物医学工程学报，63，7，1505-1516（2015）
[457] Xiao，J.、Owens，A.和Torralba，A.（2013）。Sun3d：使用SFM和对象标签重建的大空间数据库。《IEEE计算机视觉国际会议论文集》，第1625-1632页。
[458] Xie，J.，Wang，M.，&Fang，Y.（2016）。学习了用于三维形状对应的二元谱形状描述符。IEEE计算机视觉和模式识别会议记录，第3309-3317页。
[459] Yan，J.、Li，Y.、Liu，W.、Zha，H.、Yang，X.和Chu，S.M.（2014）。多图匹配的分级一致性正则化优化。《欧洲计算机视觉会议记录》，第407-422页。
[460] Yan，J.、Ren，Z.、Zha，H.和Chu，S.（2016a）。一种用于匹配特征集集合的基于约束聚类的方法。《模式识别国际会议论文集》，第3832-3837页。
[461] Yan，J.、Tian，Y.、Zha，H.、Yang，X.、Zhang，Y.和Chu，S.M.（2013）。一致多图匹配的联合优化。《IEEE计算机视觉国际会议论文集》，第1649-1656页。
[462] Yan，J.、Xu，H、Zha，H、Yang，X、Liu，H和Chu，S（2015c）。多图匹配的矩阵分解透视图。《IEEE计算机视觉国际会议论文集》，第199-207页。
[463] Yan，J.、Yin，X.C.、Lin，W.、Deng，C.、Zha，H.和Yang，X.（2016b）。图形匹配最新进展的简要概述。《美国计算机学会多媒体检索国际会议论文集》，第167-174页。
[446] Yan，J.，Zhang，C.，Zha，H.，Liu，W.，Yang，X.，&Chu，S.M.（2015d）。离散超粒度匹配。《IEEE计算机视觉和模式识别会议论文集》，第1520-1528页。
[465] 严，J。；Cho，M。；查，H。；杨，X。；Chu，SM，通过亲和优化与分级一致性正则化进行多粒度匹配，IEEE模式分析与机器智能汇刊，38，6，1228-1242（2015）
[466] Yang，M.，Wu，F.，&Li，W.（2020年）。小波立体：学习立体匹配中视差图的小波系数。《IEEE/CVF计算机视觉和模式识别会议论文集》，第12885-12894页。
[467] 杨，X。；Kwitt，R。；斯特纳，M。；Niethammer，M.，Quicksilver:快速预测图像注册——深度学习方法，NeuroImage，158378-396（2017）
[468] 杨，J。；李，H。；坎贝尔博士。；Jia，Y.，Go-ICP：三维ICP点集注册的全球最佳解决方案，IEEE模式分析和机器智能交易，38，11，2241-2254（2016）
[469] Yang，K。；潘，A。；Yang，Y。；张，S。；Ong，S。；Tang，H.，利用多图像特征进行遥感图像配准，遥感，9，6，581（2017）
[470] 严，J。；Wang，J。；查，H。；杨，X。；Chu，S.，《一致性驱动的多图匹配交替优化：统一方法》，IEEE图像处理汇刊，24，3，994-1009（2015）·Zbl 1408.94765号
[471] Yao，Y.、Deng，B.、Xu，W.和Zhang，J.（2020年）。用于鲁棒非刚性配准的准牛顿解算器。《IEEE/CVF计算机视觉和模式识别会议论文集》，第7600-7609页。
[472] 叶，Y。；Shan，J。；布鲁佐内（Bruzzone，L.）。；Shen，L.，基于结构相似性的多模态遥感图像鲁棒配准，IEEE地球科学与遥感汇刊，55，52941-2958（2017）
[473] Yew，Z.J.和Lee，G.H.（2020年）。RPM-NET：使用学习的特征进行稳健的点匹配。《IEEE/CVF计算机视觉和模式识别会议论文集》，第11824-11833页。
[474] Yi，K.M.、Trulls，E.、Lepetit，V.和Fua，P.（2016年）。提升：学习的不变特征变换。《欧洲计算机视觉会议记录》，第467-483页。
[475] Yin，Z.，&Shi，J.（2018）。Geonet：无监督学习密集深度、光流和相机姿势。《IEEE计算机视觉和模式识别会议论文集》，1983-1992页。
[476] Yu，T.、Wang，R.、Yan，J.和Li，B.（2020a）。通过信道依赖嵌入和匈牙利注意力学习深度图匹配。在学习代表国际会议上。
[477] Yu，T.，Yan，J.和Li，B.（2020b）。梯度有效图匹配的行列式正则化。《IEEE/CVF计算机视觉和模式识别会议论文集》，第7123-7132页。
[478] Yu，T.、Yan，J.、Wang，Y.、Liu，W.等（2018）。超越二次分配模型的广义图匹配。《神经信息处理系统进展》，第861-871页。
[479] Zagoruyko，S.和Komodakis，N.（2015年）。学习通过卷积神经网络比较图像补丁。《IEEE计算机视觉和模式识别会议记录》，第4353-4361页。
[480] Zaherescu，A.、Boyer，E.、Varanasi，K.和Horaud，R.（2009年）。曲面特征检测和描述以及网格匹配应用。《IEEE计算机视觉和模式识别会议记录》，第373-380页。
[481] Zanfir，A.和Sminchisescu，C.（2018年）。深入学习图形匹配。《IEEE计算机视觉和模式识别会议论文集》，第2684-2693页。
[482] 扎斯拉夫斯基，M。；巴赫，F。；Vert，JP，图匹配问题的路径跟踪算法，IEEE模式分析和机器智能汇刊，31，12，2227-2242（2009）
[483] Zass，R.和Shashua，A.（2008）。概率图和超图匹配。在IEEE计算机视觉和模式识别会议记录中，IEEE，第1-8页。
[484] Zbontar，J.和LeCun，Y.（2015）。用卷积神经网络计算立体匹配成本。《IEEE计算机视觉和模式识别会议论文集》，第1592-1599页。
[485] Zbontar，J。；LeCun，Y.，通过训练卷积神经网络来比较图像补丁的立体匹配，机器学习研究杂志，17，1，2287-2318（2016）·Zbl 1360.68726号
[486] Zeng，Z.，Chan，T.H.，Jia，K.，&Xu，D.（2012）。通过稀疏低秩分解从多个图像中找到对应关系。《欧洲计算机视觉会议记录》，第325-339页。
[487] Zeng，A.、Song，S.、Nießner，M.、Fisher，M.，Xiao，J.和Funkhouser，T.（2017）。3dmatch：从RGB-D重建中学习局部几何描述符。《IEEE计算机视觉和模式识别会议论文集》，第1802-1811页。
[488] Zeng，Y.、Wang，C.、Wang、Y.、Gu，X.、Samaras，D.和Paragios，N.（2010年）。使用高阶图匹配进行密集非刚性曲面配准。在IEEE关于计算机视觉和模式识别的会议记录中，第382-389页。
[489] 张华（2011）。Borf：具有尺度不变视觉特征的环路闭合检测。《IEEE机器人与自动化国际会议论文集》，第3125-3130页。
[490] Zhang，L.和Rusinkiewicz，S.（2018年）。学习检测纹理图像中的特征。《IEEE计算机视觉和模式识别会议记录》，第6325-6333页。
[491] Zhang，F.、Prisacariu，V.、Yang，R.和Torr，P.H.（2019a）。Ga-net：用于端到端立体匹配的引导聚合网络。《IEEE计算机视觉和模式识别会议论文集》，第185-194页。
[492] Zhang、Shi、Q.、McAuley、J.、Wei、W.、Zhang，Y.和Van Den Hengel，A.（2016）。通过最大权重二分置信传播进行配对匹配。《IEEE计算机视觉和模式识别会议论文集》，第1202-1210页。
[493] Zhang，J.，Sun，D.，Luo，Z.，Yao，A.，Zhou，L.，Shen，T.，Chen，Y.，Quan，L.和Liao，H.（2019b）。使用订单软件网络学习双视图对应和几何。《IEEE计算机视觉国际会议论文集》，第5845-5854页。
[494] Zhang，S.，Yang，Y.、Yang，K.、Luo，Y.和Ong，S.H.（2017a）。具有全局-局部对应和变换估计的点集配准。《IEEE计算机视觉国际会议论文集》，第2669-2677页。
[495] Zhang，X.、Yu，F.X.、Karaman，S.和Chang，S.F.（2017b）。学习判别和变换协变局部特征检测器。《IEEE计算机视觉和模式识别会议记录》，第6818-6826页。
[496] Zhang，X.、Yu，F.X.、Kumar，S.和Chang，S.F.（2017c）。学习扩展的局部特征描述符。IEEE计算机视觉国际会议论文集，第4595-4603页。
[497] 张，X。；曲，Y。；Yang，D。；Wang，H。；Kymer，J.，平面曲线拐角的拉普拉斯尺度空间行为，IEEE模式分析和机器智能汇刊，37，112207-2217（2015）
[498] 张，X。；Wang，H。；史密斯，AW；Ling，X。；不列颠哥伦比亚省洛弗尔；Yang，D.，基于平面曲线梯度相关矩阵的角点检测，模式识别，43，41207-1223（2010）·Zbl 1192.68625号
[499] Zhao，J.和Ma，J.（2017）。稀疏运动流的鲁棒插值视觉寻的方法。《IEEE/RSJ智能机器人和系统国际会议论文集》，第1282-1288页。
[500] 赵，C.，曹，Z.，李，C.，李，X.，&杨，J.（2019）。Nm-net：挖掘可靠邻居以获得可靠的特征对应。《IEEE计算机视觉和模式识别会议论文集》，第215-224页。
[501] 赵（Q.Zhao）。；东南部卡里什；伦德尔，F。；Wolkowicz，H.，二次分配问题的半定规划松弛，组合优化杂志，2，1，71-109（1998）·Zbl 0904.90145号
[502] 郑，L。；Yang，Y。；Tian，Q.，Sift会见美国有线电视新闻网：实例检索十年调查，IEEE模式分析和机器智能交易，40，5，1224-1244（2018）
[503] 钟毅（2009）。内在形状特征：用于三维物体识别的形状描述符。IEEE计算机视觉研讨会国际会议记录，第689-696页。
[504] 周伟、李浩和田强（2017）。基于内容的图像检索的最新进展：文献综述。arXiv预打印arXiv:1706.06064。
[505] 周伟、李浩、陆毅和田强（2011）。使用几何编码进行大规模图像搜索。《ACM多媒体国际会议记录》，第1349-1352页。
[506] Zhou，W.、Lu，Y.、Li，H.、Song，Y.和Tian，Q.（2010）。用于大规模部分重复web图像搜索的空间编码。《ACM多媒体国际会议记录》，第511-520页。
[507] Zhou，X.、Zhu，M.和Danilidis，K.（2015）。通过快速交替最小化实现多图像匹配。IEEE计算机视觉国际会议论文集，第4032-4040页。
[508] Zhou，L.，Zhu，S.，Luo，Z.，Shen，T.，Zhang，R.，Zhen，M.，Fang，T.和Quan，L.（2018）。学习并匹配用于点云注册的多视图描述符。《欧洲计算机视觉会议记录》，第505-522页。
[509] 周，F。；De la Torre，F.，因式分解图匹配，IEEE模式分析和机器智能汇刊，38，9，1774-1789（2015）
[510] Zhu，J.Y.，Park，T.，Isola，P.，&Efros，A.A.（2017）。使用循环一致的对抗网络进行未配对的图像到图像转换。IEEE计算机视觉国际会议论文集，第2223-232页。
[511] Zieba，M.、Semberecki，P.、El-Gaaly，T.和Trzcinski，T.（2018年）。Bingan：使用正则GAN学习紧凑的二进制描述符。《神经信息处理系统进展》，第3608-3618页。
[512] Zitnick，C.L.和Ramnath，K.（2011年）。边缘焦点兴趣点。《IEEE计算机视觉国际会议论文集》，第359-366页。
[513] 齐托娃，B。；Flusser，J.，《图像配准方法：调查》，图像与视觉计算，21，11，977-1000（2003）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。