先總結一下：
這個文章是對D2Net的更進一步，主要解決了D2Net的痛點——keypoint太不準了。我實際用D2Net進行三維重建就感受到，D2Net並不是高精度的像素級匹配，而更像是圖像檢索的DELF。它在4pixel threshold 的精度以下完全沒法跟傳統的SIFT之類比，只有當閾值放大纔能有特別出衆的效果。
這個文章解決了這個痛點，而且benchmark看起來效果也是特別好。
貢獻點：
1 使用deformable convolutional network（DCN）來增強基礎特徵提取能力；
2 利用了網絡特徵的固有層次性，提出了新的多尺度檢測機制，能夠檢測更加準確的關鍵點；
3 這個網絡是trained from scratch， d2net在分類任務上進行了初始化；
3 Methods
3.1 Prerequisites
1 Deformable convolutional networks (DCN)： 這種是可以學習幾何形變的卷積，應用在這裏很棒，傳統的卷積在RFNet已經用堆疊在擴感受野，其實結果已經很受限了。
2 D2-Net ：這個就是d&d方法，在檢測到描述子同時得到特徵點座標，借用了他的loss函數。
3.2. DCN with Geometric Constraints
原本的DCN可能包含過多的形變可能性，但是在本任務中其實主要需求的是三種：1) similarity, 2) affine and 3) homography.
3.3. Selective and Accurate Keypoint Detection
1 稍微改變了d2net的特徵點判斷標準 主要是通道上的判斷
2 使用了一種分層的尺度融合方法
3.4. Learning Framework
網絡結構：
使用L2Net作爲基準，最後三層換成DCN，1 3 8層用來融合尺度（1，2，3），這個參數是他們嘗試出來的。
Loss函數：
同D2Net基本上一樣，主要是M使用的是不用的衡量方法，更加穩定。
3.5. Implementations
沒啥新奇的，不過他們用480x480還能有比較好的尺度結果真是不錯。同時注意了訓練質量，對於匹配match不夠32的image pair是不會反傳的。