深度學習圖像匹配是一種利用深度學習技術進行圖像間對應關系建立的計算機視覺任務。以下是一些常見的深度學習圖像匹配方法：

1、基于特征點檢測的方法：這類方法首先通過深度學習模型檢測出圖像中的特征點，然后對這些特征點進行描述和匹配。例如，Fast-ER算法和TILDE等，這些方法通過設計特定的神經網絡結構來提取具有高重復性的特征點。

2、基于特征描述符學習的方法：DeepDesc采用Siamese網絡對難以區分類別的樣本進行訓練，通過CNN輸出的非線性映射作為描述符，并計算相似性以最小化其鉸鏈損失。這種方法適用于處理寬基線圖像匹配、非剛性變形和極端光照變化的情況。

3、端到端匹配方法：這類方法將特征檢測、描述符學習和匹配過程集成在一個統一的神經網絡框架中。例如，基于學習的不變特征變換(LIFT)結合空間變換網絡和Softargmax函數，實現了一個完整的特征點匹配處理流水線。

4、卷積神經網絡方法：在衛星影像匹配的深度卷積神經網絡方法中，通過構建卷積神經網絡來自動學習影像間的匹配模式，從而實現一種面向對象的衛星影像間自動匹配流程。這種方法能夠處理異源、多時相及多分辨率衛星影像間的匹配問題。

5、無監督學習方法：Quadnetworks采用無監督學習方式進行特征點檢測，將關鍵點檢測問題轉化為圖像變換上的關鍵點一致性排序問題，優化后的排序在不同的變換下具有重復性。

6、單環節網絡模型匹配方法：這類方法包括特征檢測模型、描述符學習模型、相似度度量模型和誤差剔除模型等。它們各自獨立工作，共同完成圖像匹配任務。

7、多網絡結構組合方法：在端到端匹配網絡模型中，可以采用多個網絡結構的組合來實現更復雜的匹配任務。這些方法通常涉及更深層次的網絡結構和更復雜的訓練策略。

總的來說，深度學習圖像匹配方法通過強大的特征提取能力和靈活的網絡結構設計，在各種復雜場景下都能實現高效準確的圖像匹配。隨著技術的不斷進步，這些方法將在更多領域得到應用和發展。