L'appariement de caractéristiques est une tâche complexe en vision par ordinateur qui consiste à trouver des correspondances entre deux images d'une scène 3D. Dans cet article, nous examinons l'approche dense plutôt que le paradigme plus courant des méthodes éparse, visant ainsi à identifier toutes les correspondances. Contre toute attente, les méthodes denses ont jusqu'à présent montré des performances inférieures à celles de leurs homologues éparse et semi-éparse pour l'estimation de la géométrie bivue. Cela change avec notre nouvelle méthode dense, qui surpasse à la fois les méthodes denses et éparse en termes d'estimation de la géométrie. L'innovation se manifeste sous trois aspects : Premièrement, nous proposons un appariement global par régression noyau. Deuxièmement, nous introduisons une amélioration du déformage grâce à des cartes de caractéristiques empilées et des noyaux de convolution profondeur-par-profondeur. Troisièmement, nous proposons d'apprendre une confiance dense via une profondeur cohérente et une approche d'échantillonnage équilibrée pour les cartes de confiance dense. À travers des expériences exhaustives, nous confirmons que notre méthode dense proposée, \textbf{D}ense \textbf{K}ernelized Feature \textbf{M}atching (DKM), établit un nouveau standard dans plusieurs benchmarks d'estimation de géométrie. En particulier, nous obtenons une amélioration de +4,9 et +8,9 AUC$@5^{\circ}$@5∘ sur MegaDepth-1500 par rapport aux meilleures méthodes précédentes éparse et dense respectivement. Notre code est disponible à l'adresse suivante : https://github.com/Parskatt/dkm