本文旨在通过堆叠更多的Transformer层，探讨深度Transformer网络对匹配性能的影响，并解决增加Transformer层数导致模型大小线性增长的问题。为此，提出了一种结合动态权重复用技术和特征增强的局部特征匹配器DWR-Matcher。首先，利用深层Transformer网络对提取的局部特征进行特征聚合，其允许相邻Transformer层之间动态复用权重，从而减少模型参数，有效降低因增加网络层数所带来的存储负担。其次，为防止网络过深导致的特征崩溃，引入了特征增强模块，通过残差连接方式增强每个Transformer层的特征表达，以此丰富特征的多样性。最后，在HPatches、InLoc、MegaDepth数据集上进行实验验证，结果显示，在MegaDepth数据集上，DWR-Matcher在5、10和20°的阈值条件下达到了44.20%、61.20%和74.90%的相对位姿估计精度，同时参数量减少了8.3 MB，证明了DWR-Matcher在各种复杂场景中的卓越性能。
