Die Merkmalszuordnung ist eine anspruchsvolle Aufgabe im Bereich der Computer Vision, die das Finden von Korrespondenzen zwischen zwei Bildern einer 3D-Szene umfasst. In dieser Arbeit betrachten wir den dichten Ansatz anstelle des gebräuchlicheren dünnen Paradigmas und streben danach, alle Korrespondenzen zu finden. Gegenüber intuition, zeigten dichte Methoden in der Vergangenheit eine geringere Leistung als ihre dünnen und halbdünnen Gegenstücke bei der Schätzung der Zwei-Bild-Geometrie. Dies ändert sich mit unserer neuen dichten Methode, die sowohl dichte als auch dünn besetzte Methoden bei der Geometrieschätzung übertrifft. Die Neuheit liegt in drei Aspekten: Erstens schlagen wir einen globalen Kernel-Regression-Matcher vor. Zweitens schlagen wir eine Verformungsverfeinerung durch gestapelte Merkmalskarten und tiefgangweise Faltungskerne vor. Drittens schlagen wir ein Lernverfahren für dichte Zuversichtlichkeit durch konsistente Tiefenschätzung und einen ausgewogenen Abtastansatz für dichte Zuversichtlichkeitskarten vor. Durch umfangreiche Experimente bestätigen wir, dass unser vorgeschlagener dichter Ansatz, Dichter Kernelisierter Merkmalsmatcher (DKM), auf mehreren Benchmarks zur Geometrieschätzung einen neuen Stand der Technik setzt. Insbesondere erreichen wir bei MegaDepth-1500 Verbesserungen von +4,9 und +8,9 AUC$@5^{\circ}$@5∘ im Vergleich zur besten bisherigen dünnen Methode und zur besten bisherigen dichten Methode respektive. Unser Code ist unter https://github.com/Parskatt/dkm verfügbar.