La estimación de homografía de imágenes infrarrojas y visibles es una tarea altamente desafiante en visión por computadora. Recientemente, los métodos de estimación de homografía de aprendizaje profundo se han centrado en el plano, mientras ignoran los detalles en la imagen, lo que resulta en la degradación del rendimiento de estimación de homografía en escenas de imágenes infrarrojas y visibles. En este trabajo, proponemos una red de estimación de homografía profunda consciente de los detalles para preservar más información detallada en las imágenes. Primero, diseñamos una red de extracción de características superficial para obtener características significativas para la estimación de homografía a partir de características multidimensionales de múltiples niveles. Segundo, proponemos una Pérdida de Características de Detalle (DFL), que utiliza características refinadas para el cálculo y conserva más información detallada mientras reduce la influencia de características no importantes, lo que permite un aprendizaje no supervisado efectivo. Finalmente, considerando que los indicadores de evaluación de las tareas de estimación de homografía anteriores son difíciles de reflejar distorsiones severas o que la carga de trabajo de etiquetar manualmente puntos de características es demasiado grande, proponemos una Tasa de Registro de Características Adaptativa (AFRR) para la extracción adaptativa de puntos de características de pares de imágenes para calcular la tasa de registro. Experimentos extensos demuestran que nuestro método supera a los métodos existentes de última generación en conjuntos de datos de referencia sintéticos y reales.