تطابق الميزات هو مهمة صعبة في رؤية الحاسوب تتعلق بإيجاد التوافق بين صورتين لمشهد ثلاثي الأبعاد. في هذا البحث، نعتبر النهج الكثيف بدلاً من النهج الخفيف الأكثر شيوعًا، مع السعي لإيجاد جميع التوافق. ربما بطريقة معاكسة للحدس، أظهرت الطرق الكثيفة سابقًا أداءً أقل من طرقها الخفيفة والنصف خفيفة في تقدير الهندسة ثنائية المنظور. ومع ذلك، يتغير هذا الأمر مع طريقتنا الكثيفة الجديدة، التي تتفوق على كل من الطرق الكثيفة والخفيفة في تقدير الهندسة. تتمثل جدة هذه الطريقة في ثلاثة أمور: أولاً، نقترح مطابقًا عالميًا باستخدام الانحدار النواة (kernel regression). ثانيًا، نقترح تحسين التحوير عبر الخرائط الميزات المتراكمة ونوى التوافقي العمق (depthwise convolution kernels). ثالثًا، نقترح تعلم الثقة الكثيفة من خلال العمق المتسق ونهج العينة المتوازنة لخرائط الثقة الكثيفة. من خلال التجارب الواسعة، أكدنا أن طريقتنا المقترحة "تطابق الميزات المكثف بالتوافقي" (\textbf{D}ense \textbf{K}ernelized Feature \textbf{M}atching) تحدد مستوى جديد للمعايير الرائدة في العديد من مقاييس تقدير الهندسة. بشكل خاص، حققنا تحسنًا بمقدار +4.9 و+8.9 AUC$@5^{\circ}$@5∘ على MegaDepth-1500 مقارنة بأفضل طريقة خفيفة وأفضل طريقة كثيفة سابقاً على التوالي. يمكن الوصول إلى شفرتنا البرمجية عبر الرابط https://github.com/Parskatt/dkm