特徴マッチングは、3次元シーンの2つの画像間で対応関係を見つけるという課題を含む、難易度の高いコンピュータビジョンタスクです。本論文では、一般的なスパースパラダイムではなく、ディープアプローチに焦点を当て、すべての対応関係を見つけることを目指します。意外にも、これまでのディープ手法は2視点幾何学推定においてスパースおよびセミスパース手法に劣る性能を示していました。しかし、我々が提案する新しいディープ手法により、この状況が変わりました。幾何学推定において、既存のディープおよびスパース手法を上回る性能を達成しています。新規性は三つあります。第一に、カーネル回帰グローバルマッチャーを提案します。第二に、スタックされた特徴マップと深さ方向畳み込みカーネルを通じたワarp精緻化を提案します。第三に、一貫した深度とバランスの取れたサンプリングアプローチによるディープ信頼度学習を提案します。広範な実験を通じて確認しましたが、我々が提案する Dense Kernelized Feature Matching (DKM) は複数の幾何学推定ベンチマークで新たな最先端を確立しています。特に、MegaDepth-1500においては、これまでの最良のスパース手法とディープ手法に対してそれぞれ+4.9および+8.9 AUC$@5^{\circ}$@5∘ の改善を達成しています。我々のコードは https://github.com/Parskatt/dkm で提供されています。