本周小结：看了两篇论文，在进行Dense-SfM的复现。下周计划保持看论文数，同时继续进行Dense-SfM的复现
一、《EDM：高效的深度特征匹配》
《EDM: Efficient Deep Feature Matching》
文章的主要创新点：
1.相关性注入模块
在低分辨率特征上建模全局相关性，并逐步注入到局部特征中，提升上下文感知能力
2.双向轴回归头
轻量级回归头，直接预测坐标偏移，避免高分辨率热图的计算开销
3.高效的匹配选择策略
粗匹配使用 Top-K 选择，精细匹配使用置信度（σ）筛选
4.双向细化策略
在一次推理中同时进行双向匹配
二、《Dense-SfM：具有密集一致匹配的运动结构》
《Dense-SfM: Structure from Motion with Dense Consistent Matching》
文章的主要创新点：
1.首个为密集匹配器优化的SfM框架
直接利用密集匹配结果，避免量化损失，提升重建密度与精度。
2.基于高斯泼溅的轨迹扩展方法
利用GS的快速渲染能力，判断3D点在新视角下的可见性，自然延长轨迹，无需量化。
3.多视角核化匹配模块
结合Transformer（特征路径） 和高斯过程（坐标嵌入路径），实现更鲁棒的关键点优化。
端到端学习置信度，替代传统统计方法，提升轨迹选择质量。