SIFT和SURF是计算机视觉中的特征提取算法，SIFT通过查找关键点并计算方向来提取图像的局部性特征，SURF是SIFT的高效变种，使用海森矩阵和积分图加速运算。两种算法都可用于图像匹配。

本文介绍了多种提高模型性能的方法，包括WiSE-FT、PointWOLF和SIFT。WiSE-FT通过加权平均提升微调模型的鲁棒性，PointWOLF利用点云数据增强实现更真实的变形，SIFT算法通过梯度稀疏性优化微调过程，提升了多项任务的效果。此外，DFWE方法通过无梯度优化实现任务迁移，在对话系统中展示了有效性。

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。

本文介绍了图片特征向量的提取和相似度计算方法，包括SIFT和SURF两种特征提取算法，以及BFMatcher和FlannBasedMatcher两种相似度计算方法。同时，通过四种不同情况的对比，展示了不同算法的优缺点和适用场景，还提到了将图片特征向量存储到向量数据库中的应用。