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。

本文介绍了相机位姿估计的方法，通过对应关系和基础矩阵解决，提供高精度。神经网络预测姿态方法对于有限重叠情况更鲁棒但精度较低。作者结合两种方法的优点，提供精确稳健结果，并准确推断平移尺度。模型核心是Transformer，平衡已解决和学习的姿态估计，并提供先验信息指导求解器。实验结果表明，该方法在特征提取器和对应估计器上展现最先进的6自由度姿态估计性能。

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。