https://ieeexplore.ieee.org/document/8404075
2.GitHub：https://github.com/yzhq97/cnn-registration
3.Motivation：多时相遥感图像被广泛应用于军事和民用领域，比如地面目标识别、城市发展评估以及地理变化评估。地面变化对特征点在数量和质量上的检测具有一定的挑战，这是基于特征点检测的配准算法所面临的常见的困难。
4.Method：提出了一种基于特征的图像配准方法，两个关键贡献：
使用预训练的VGG网络构建基于卷积神经网络的特征提取方法。 针对卷积神经网络在图像配准中的有效利用，该特征描述符利用高级卷积信息保留一些定位功能。
提出了一种特征点配准方法，该方法使用逐渐扩大的内点选择机制，以便在配准的早期阶段通过最可靠的特征点快速确定粗略变换参数。 之后，通过增加特征点的数量来优化配准细节，同时限制不匹配。
5.Result：
二、论文2：DocUNet: Document Image Unwarping via A Stacked U-Net 1.论文链接：
https://openaccess.thecvf.com/content_cvpr_2018/html/Ma_DocUNet_Document_Image_CVPR_2018_paper.html
2.GitHub1：https://github.com/mhashas/Document-Image-Unwarping-pytorch
3.GitHub2：https://github.com/teresasun/docUnet.pytorch
2018旷视科技发表在CVPR上
4.Motivation：文档数字化是保存现有打印文档的一种重要方式，随着移动摄像头日益增多，拍摄物理文档成为最便捷的一种文档扫描方式，一旦拍摄，图像可由文本检测和识别技术进一步处理，实现内容分析和信息提取。
拍摄文档图像常见的一个实际问题是文档页的扫描条件不理想：它们可能弯曲、折叠、弄皱，或者放在非常复杂的背景上。因此存在数字化平整拍摄图像中扭曲文档的需求。
5.Method：本文给出一种基于学习的全新方法，来复原任意弯曲和折叠的文档拍摄图像。
不同于先前方法，本文提出首个端到端学习方法，可以直接预测文档扭曲。
先前方法只使用学习提取特征，而最后的图像复原仍基于传统的优化技术；本文方法则借助卷积神经网络（CNNs）端到端复原图像。
该方法把这一问题转化为寻找合适的 2D 映射，以复原失真图像文档。它预测一个映射域，把扭曲的源图像 S(u, v) 中的像素移动到结果图像 D 中的 (x, y) 。
6.Model：选择 U-Net 作为基础模型，它基本上是一个全卷积网络，包含一系列的下采样层和随后的上采样层，特征映射在上、下采样层之间连接。
该网络由两个 U-Net 堆叠而成。该网络从第一个 U-Net 的输出中分割和输出一个前向映射 y_1。应用在 y_2 的同一损失也应用在 y_1。接着 y_1 连接到第一个 U-Net 的输出特征映射，并作为第二个U-Net 的输入。y_2 可直接用于生成复原图像。
7.Result：
其他参考：
https://www.cnblogs.com/carsonzhu/p/11188574.html
https://www.sicara.ai/blog/2019-07-16-image-registration-deep-learning
https://blog.csdn.net/paopaovae/article/details/87933600
https://blog.csdn.net/weixin_41876817/article/details/83056331