在他的论文（来自尺度不变关键点的独特图像特征）中，Lowe 描述了一种摆脱“低对比度关键点”的方法。这是使用直到二次项的泰勒展开来完成的：
通过取导数并将其设置为零来找到极值 (xhat)：
通过给定函数 D, xhat 作为输入，可以确定极值点的值，并通过阈值，保留或丢弃点 xhat：
从 D(xhat) 方程开始：在我的理解中，逆矩阵取自 Hessian 矩阵（xhat 方程的第一部分），在这种情况下，它是一个 2x2 矩阵 - 第二部分是一阶导数，相对于到 x 和 y 坐标并且是 2x1 矩阵：问题是，当迭代所有潜在的关键点并取逆时，其中一些是奇异的！
D(X)：被调查的值将在 D(0,0) 中有 origo，我假设 D 是一个 3x3 矩阵。当 D 添加到其他项时，如何理解-根据我的计算，当添加除 D 之外的所有项时，会出现一个值-如何将这个值添加到 D（这是一个 3x3矩阵）？
这些方程可以在 SIFT 论文第 11 页中找到。