LoFTR、DKM 和 RoMa 代表了深度学习特征匹配从“稀疏关键点”向“密集像素级”演进的三个阶段。它们共同抛弃了传统的“先检测特征点再匹配”的流水线，转而采用“直接回归对应关系”的范式，极大地提升了在弱纹理、重复纹理和大视角变化下的鲁棒性。

一、算法核心特性对比

算法	核心思想	匹配粒度	技术亮点	典型场景
LoFTR​	利用 Transformer 进行全局上下文推理	稀疏（但远多于传统方法）	Detector-Free（无特征点检测阶段），Coarse-to-Fine（由粗到细）	通用 SfM、SLAM、位姿估计
DKM​	核回归 + 深度卷积细化	稠密（Dense）	核化匹配（类似高斯过程回归），输出全图稠密对应场	3D 重建、深度估计、高精度配准
RoMa​	冻结基础模型特征 + 专用解码器	稠密（Dense）	利用 DINOv2/v3​ 的强泛化性，预测不确定性（协方差）	极端视角/光照变化（WxBS）、鲁棒位姿估计

---

二、LoFTR：基于 Transformer 的无检测器匹配

LoFTR (CVPR 2021) 是这一范式的开创性工作，它解决了传统方法在低纹理区域完全失效的痛点。

1. 核心原理

• Detector-Free：不再依赖不稳定的特征点检测器（如 SIFT 的 DoG）。它直接处理整张图像，让模型自己决定哪里该匹配。

• Transformer 注意力机制：通过 Self-Attention​ 和 Cross-Attention​ 层，让图像 A 的每个像素都能“看到”图像 B 的所有像素。这意味着即使某个点本身纹理很弱，也能通过周围的上下文信息（如边缘、形状）找到对应点。

2. 工作流程

1. 特征提取：CNN 提取 1/8 分辨率（粗粒度）和 1/2 分辨率（细粒度）的特征图。

2. 粗匹配：对粗特征图应用 Transformer，计算匹配概率矩阵，筛选出高置信度的粗略匹配对。

3. 细匹配：在粗略匹配点周围裁剪局部窗口，利用细粒度特征图进行亚像素级精化。

3. 优势与局限

• 优势：在弱纹理、重复纹理上表现极佳，匹配数量远超传统方法。

• 局限：本质仍是“半稠密”匹配（只输出高置信度点对），且 Transformer 的计算量较大。

---

三、DKM：稠密核化特征匹配

DKM (CVPR 2024) 将匹配任务推向了全稠密级别，旨在为图像中的每一个像素（或大部分像素）找到对应点。

1. 核心原理

• 核回归全局匹配：将匹配问题建模为高斯过程回归（GPR）。它不像 LoFTR 那样直接输出离散匹配，而是学习一个连续的“变形场（Warp Field）”，描述像素间的平滑映射关系。

• 深度卷积细化：通过堆叠特征图和深度卷积核，逐步将低分辨率的粗略变形场优化到高分辨率，实现亚像素精度。

2. 工作流程

1. 特征金字塔：提取多尺度特征。

2. 核回归解码：利用核函数计算全局相关性，输出低分辨率的稠密变形场和置信度图。

3. 迭代上采样：通过卷积网络逐步将变形场细化到原图分辨率。

3. 优势与局限

• 优势：输出是稠密的，非常适合需要密集几何信息的下游任务（如 MVS 稠密重建）。

• 局限：在极端视角变化（如 90 度旋转）下，基于 CNN 的特征泛化能力有时不足。

---

四、RoMa：鲁棒密集特征匹配

RoMa (CVPR 2024) 及其升级版 RoMa v2 是目前 SOTA 的代表，核心思路是“站在巨人的肩膀上”，利用视觉基础模型来获得极强的泛化能力。

1. 核心原理

• 冻结的基础模型：直接使用 DINOv2（RoMa）或 DINOv3（RoMa v2）的预训练特征作为粗特征。这些特征在互联网级数据上训练，对视角、光照变化极其鲁棒。

• 特征金字塔融合：DINO 特征虽然鲁棒但分辨率低（粗），因此配合一个轻量级的 CNN 提取高分辨率细特征，两者结合得到既鲁棒又精确的特征金字塔。

• 不确定性估计：RoMa v2 不仅能输出匹配点，还能输出每个点的协方差矩阵，告诉下游任务（如 BA）这个匹配点有多“不可靠”。

2. 工作流程

1. 特征提取：冻结的 DINO 提取粗特征 + CNN 提取细特征。

2. Transformer 解码：使用定制的解码器预测锚点概率，进行粗匹配。

3. 精化：利用细特征进行局部精化，达到亚像素精度。

3. 优势与局限

• 优势：在 WxBS（极端宽基线）等挑战性数据集上表现碾压级优势，泛化能力极强。

• 局限：依赖基础模型，模型参数量相对较大（但推理时可冻结主干，实际效率尚可）。

---

五、总结与选型建议

你的需求	推荐算法	理由
快速原型 / 通用 SfM​	LoFTR​	成熟度高，开源支持好（COLMAP 已集成），在大多数室内外场景表现稳定。
稠密重建 / 深度估计​	DKM​	输出稠密对应，能直接服务于 MVS 或深度图生成。
极端条件（无人机、跨季节）​	RoMa (v2)​	利用 DINO 的强泛化能力，在视角/光照剧烈变化时最不容易“翻车”。
高精度位姿 + 可信度​	RoMa v2​	唯一提供逐像素协方差估计，可与 BA 优化紧密结合，实现加权优化。

技术演进趋势：LoFTR 引入了 Transformer 的全局建模，DKM 推进了稠密化，RoMa 则证明了冻结基础模型（Foundation Model）是提升视觉特征匹配泛化能力的终极路径。如果你在做 SFM 中的 rig 约束 BA，RoMa v2 提供的协方差信息可以作为 BA 优化的权重先验，进一步提升重建精度。