本研究探讨跨视角补全学习，填补自监督对应学习的分析空白。研究发现，跨注意力图能更有效地捕捉对应关系，并在零-shot 匹配和多帧深度估计中表现优异，显示出良好的应用潜力。

文章讨论了美式英语（AmE）和英式英语（BrE）的缩写及其对应关系，表格中空白部分表示没有对应名称。

该文综述了多项计算机视觉对应关系研究，包括：通过局部到全局一致性学习的修剪模块逐步剔除错误对应，在直线拟合、位姿估计和图像定位中优于现有算法；提出局部特征共识插件与互损失孪生网络提升匹配性能；以及基于邻域一致性的密集匹配、双向对应映射网络恢复6D姿态、二阶关注上下文修剪方法实现14倍加速、图上下文转换网络渐进式修剪对应关系等方法，均在基准数据集上取得领先结果。

Diff3F是一种简单、健壮且与类别无关的特征描述符，用于计算无纹理输入形状。通过生成深度和法线图，Diff3F能够在2D上生成特征，并在原始表面上进行提升和聚合，从而产生可靠的对应关系。

该文介绍了一种利用预训练的大规模模型来统一图像和点云之间的模态，并建立可靠对应关系的方法。通过深度到图像扩散模型提取的扩散特征，在图像和点云之间具有语义一致性，通过匹配几何特征提高了对应关系的准确性。在三个基准测试上，该方法平均提高了20.6％的内点比率、三倍的内点数目和48.6％的配准召回率。

该文介绍了一种利用预训练的大规模模型来统一图像和点云之间的模态，并建立可靠对应关系的方法。通过深度到图像扩散模型提取的扩散特征，在匹配几何特征的帮助下，提高了对应关系的准确性。在三个基准测试上，该方法平均提高了20.6％的内点比率、三倍的内点数目和48.6％的配准召回率。