本研究提出了一种名为SeFENet的语义驱动特征增强网络，旨在提高恶劣环境下单应性估计的准确性和鲁棒性。通过引入层次化尺度感知模块和语义引导约束模块，SeFENet有效改善了图像特征提取，实验结果表明其点匹配错误率降低了至少41%。

本研究提出了一种名为AltO的无监督学习框架，通过交替优化方法解决多模态图像对的单应性估计问题。该方法有效处理几何和模态差距，性能优于传统无监督方法。

研究提出了一种新方法，通过单应性估计和目标检测，收集多视角道路数据，解决单目深度估计在视角变化下的不足。实验显示，该方法在深度和不确定性上有显著提升，对自动驾驶等应用有重要意义。

该文综述了单应性估计与特征匹配的多项研究，包括：利用几何解释约束SIFT角度尺度并提出两对应点求解器；结合区域匹配与RANSAC提升精度；HDN分解参数空间实现平面跟踪；H-RANSAC无需描述子检索单应性；用SIFT五点法估计基础矩阵；单应性对齐实现跨视图地理定位；仿射框架校正提升姿态估计；揭示CKA度量易被操纵；DLKFM实现多模态像素对齐；相关滤波跟踪器高效估计相似变换。