GeoDistill: Geometry-Guided Self-Distillation for Weakly Supervised Cross-View Localization
ShanghaiTech University（上海科技大学）；École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑分校）
提出GeoDistill，一种几何引导的弱监督自蒸馏框架，通过基于视场的师生学习增强局部特征学习，显著提升跨视图定位性能，并引入无需精确位置标注的朝向估计网络。
2025-07-15 cs.CV
GeoMFD: Continual Drone-View Geo-Localization with Geometry-Aware Adapter and Margin-Field Distillation
研究持续无人机视角地理定位问题，提出GeoMFD方法，结合冷启动引导策略、几何感知适配器和边缘场蒸馏，平衡适应与跨视图几何保留，用单个持续更新模型实现与特定环境方法相当的性能，有效减轻遗忘。
2026-07-29 cs.CV
Long-range UAV Thermal Geo-localization with Satellite Imagery
New York University（纽约大学）；Autonomous Robotics Research Center-Technology Innovation Institute（技术创新研究院自主机器人研究中心）
针对低照度环境下远程无人机GPS失效的问题，本文提出一种基于卫星RGB图像的新型热成像地理定位框架，结合多种域适应方法解决配对数据缺乏问题，并发布了Boson-nighttime数据集，首次实现了远程飞行的可靠热成像地理定位。
2023-07-29 cs.CV cs.RO
CV-Cities: Advancing Cross-View Geo-Localization in Global Cities
Institute of Geospatial Information, Information Engineering University（信息工程大学地理空间信息学院）
本文提出融合DINOv2与特征混合器的跨视角地理定位框架，并构建覆盖六大洲十六个城市的CV-Cities数据集，显著提升全球定位精度与泛化能力。
2024-11-19 cs.CV
DASGIL: Domain Adaptation for Semantic and Geometric-aware Image-based Localization
Shanghai Jiao Tong University（上海交通大学）；Beijing Institute of Technology（北京理工大学）；University of Cambridge（剑桥大学）
由于季节、光照等因素的影响，在变化环境下的长时间视觉定位是自动驾驶和移动机器人领域的一个具有挑战性的问题，图像检索定位是解决这一问题的有效途径。在本文中，我们提出了一种新的多任务架构融合的几何和语义信息到视觉位置识别的多尺度潜在嵌入表示。为了在不需要人工干预的情况下使用高质量的地面真值，提出了有效的多尺度特征映射用于对抗训练，以实现从合成虚拟KITTI数据集到真实世界KITTI数据集的领域自适应。通过一系列关键的比较实验，在Extended CMU-Seasons数据集和Oxford RobotCar数据集上验证了所提出的方法，在具有挑战性的环境下，我们的性能优于基于检索的定位和大规模地点识别的最新基线。
2020-11-25 cs.CV
Rethinking Visual Geo-localization for Large-Scale Applications
Politecnico di Torino（都灵理工大学）；CINI（意大利国家信息与大学研究联盟）
视觉地理定位（VG）是通过将给定照片与已知位置的大型图像数据库进行比较来估计拍摄位置的任务。为了研究现有技术如何在现实世界的城市范围内的VG应用程序上执行，我们构建了San Francisco eXtra Large，这是一个覆盖整个城市的新数据集，提供了广泛的挑战性案例，其大小比之前最大的视觉地理定位数据集大30倍。我们发现，目前的方法无法扩展到如此大的数据集，因此我们设计了一种新的高度可扩展的训练技术，称为CosPlace，它将训练作为一个分类问题，避免了常用的对比学习所需的昂贵的挖掘。我们在广泛的数据集上实现了最先进的性能，并发现CosPlace对严重的域变化具有鲁棒性。此外，我们表明，与以前的国家的最先进的，CosPlace需要大约80%的GPU内存在训练时间，它实现了更好的结果与8倍更小的描述符，铺平了道路，全市范围的现实世界的视觉地理定位。数据集、代码和训练模型可在https://github.com/gmberton/CosPlace上用于研究目的。
2022-04-07 cs.CV
Cross-View Geo-Localization with Street-View and VHR Satellite Imagery in Decentrality Settings
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）；Ant Group（蚂蚁集团）；Technology Innovation Center for Collaborative Applications of Natural Resources Data in GBA, Ministry of Natural Resources（自然资源部粤港澳自然资源数据协同应用技术创新中心）
针对跨视角地理定位中查询图像与参考图像中心偏移（去中心化）导致精度下降的问题，本文提出DReSS数据集和AuxGeo方法，通过BIM与PCM模块提升大去中心化下的定位精度，并在多个数据集上取得领先性能。
2025-01-03 cs.CV
Cross-View Image Set Geo-Localization
Wuhan University（武汉大学）；Ant Group（蚂蚁集团）
本文提出跨视角图像集合地理定位任务及SetVL-480K基准，并设计FlexGeo方法，通过相似性引导特征融合和个体级属性学习，在多个数据集上显著提升定位精度。
2024-12-25 cs.CV
Trajectory-aware Cross-view Geo-localization with Sequential Observations
Washington University in St. Louis（圣路易斯华盛顿大学）
研究跨视角地理定位，提出TrajLoc统一框架处理视频片段和路线描述，利用视觉与语言语义相互强化匹配，还提出TrajMod模块，实验显示该框架在视频和文本地理定位上比现有方法有显著优势。
2026-07-20 cs.CV
University-1652: A Multi-view Multi-source Benchmark for Drone-based Geo-localization
SUSTech-UTS Joint Centre of CIS, Southern University of Science and Technology（南方科技大学 SUSTech-UTS 计算机科学与工程联合中心）；ReLER, AAII, University of Technology Sydney（悉尼科技大学 AAII ReLER）
我们考虑跨视图地理定位的问题。这项任务的主要挑战是学习强大的功能，对大的视点变化。现有的基准可以提供帮助，但在视点数量上是有限的。包含两个视点的图像对，例如，卫星和地面，这可能会损害特征学习。除了手机摄像头和卫星，在本文中，我们认为无人机可以作为处理地理定位问题的第三个平台。与传统的地面视图图像相比，无人机视图图像遇到的障碍较少，例如，树木，并可以提供一个全面的看法时，飞行周围的目标。为了验证无人机平台的有效性，我们引入了一个新的多视图多源基准，用于基于无人机的地理定位，命名为大学-1652。University-1652包含来自三个平台的数据，即，合成无人机、卫星和地面摄像头，对全球1,652所大学建筑进行了监控。据我们所知，University-1652是第一个基于无人机的地理定位数据集，并实现了两个新任务，即，无人机观察目标定位和无人机导航顾名思义，无人机视角目标定位是通过无人机视角图像预测目标地点的位置。另一方面，给定卫星视图查询图像，无人机导航是将无人机驾驶到查询中的感兴趣区域。我们使用这个数据集来分析各种现成的CNN特征，并在这个具有挑战性的数据集上提出一个强大的CNN基线。实验结果表明，University-1652有助于模型学习视点不变特征，在真实场景中也具有良好的泛化能力。
2020-08-16 cs.CV
Global Cross-Modal Geo-Localization: A Million-Scale Dataset and a Physical Consistency Learning Framework
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感与信息工程学院）；First Surveying and Mapping Institute of Hunan Province（湖南省第一测绘院）
本文提出CORE数据集和PLANET框架，用于解决全球跨模态地理定位问题，通过大规模数据和物理一致性学习提升定位的鲁棒性和全球适用性。
2026-10-15 cs.CV
Dynamic Contrastive Learning for Hierarchical Retrieval: A Case Study of Distance-Aware Cross-View Geo-Localization
School of Internet of Things（物联网学院）；National Engineering Research Center of Communications and Networking（通信与网络国家工程研究中心）
针对距离感知跨视图地理定位问题，构建首个多视图距离标注基准DA-Campus，并提出动态对比学习框架DyCL，通过层次化空间边际逐步对齐特征，显著提升了层次化检索与整体定位准确性。
2025-06-29 cs.CV
Learning Cross-view Correspondences for Geo-localization on Planetary Surfaces
AI for Space Group, Adelaide University, Australia（太空人工智能小组，阿德莱德大学，澳大利亚）
针对行星表面无卫星定位且里程计漂移的问题，提出基于物理渲染的月球表面跨视角地理定位基准数据集，并验证了基于Transformer的定位方法在行星表面的有效性。
2026-06-29 cs.CV
From Horizontal to Rotated: Cross-View Object Geo-Localization with Orientation Awareness
College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国）
本文提出OSGeo框架，通过多尺度感知模块和方向敏感头部实现精确的RBox回归，构建了首个具有精确RBox标注的CVOGL-R数据集，实验表明其性能优于分割方法且标注成本显著降低。
2026-03-16 cs.CV
Improving Cross-view Object Geo-localization: A Dual Attention Approach with Cross-view Interaction and Multi-Scale Spatial Features
针对跨视角目标地理定位中信息传递不足及边缘噪声干扰问题，提出结合跨视角交叉注意力模块（CVCAM）与多头空间注意力模块（MHSAM）的方法，并构建新数据集 G2D，实验证明其定位精度超越现有最先进水平。
2025-10-31 cs.CV
Learning Cross-Scale Visual Representations for Real-Time Image Geo-Localization
University of Michigan（密歇根大学）
机器人定位仍然是一个具有挑战性的任务，在GPS拒绝的环境。基于本地传感器（例如，相机或IMU）的状态估计方法对于远程任务来说随着误差累积而易于漂移。在这项研究中，我们的目标是解决这个问题，通过本地化的图像观测在二维多模态地理空间地图。我们介绍了跨尺度数据集和方法，以产生额外的数据，从跨模态源。我们提出了一个框架，学习跨尺度的视觉表示没有监督。实验进行的数据从两个不同的领域，水下和空中。与现有的跨视图图像地理定位研究相比，我们的方法a）在较小尺度的多模态地图上表现更好; b）对于实时的【形】应用来说计算效率更高; c）可以直接与状态估计管道协同工作。
2022-05-14 cs.CV cs.RO
Beyond 2D Matching: A Unified Single-Stage Framework for Geometry-Aware Cross-View Object Geo-Localization
Beihang University（北航）；Meituan（美团）
提出GAGeo单阶段框架，利用3D基础模型和对比损失，结合多模态提示和相机位姿，实现跨视角目标地理定位，显著优于现有方法。
2026-06-29 cs.AI cs.CV
VIGOR: Cross-View Image Geo-localization beyond One-to-one Retrieval
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
跨视角影像地理定位的目的是通过与鸟瞰图中GPS标记的参考影像进行匹配来确定街景查询影像的位置。最近的工作已经取得了惊人的高检索精度城市规模的数据集。然而，这些结果依赖于存在精确地以任何查询图像的位置为中心的参考图像的假设，这不适用于实际场景。在本文中，我们重新定义了这个问题，一个更现实的假设，查询图像可以是任意的兴趣区域和参考图像被捕获的查询出现之前。这个假设打破了现有数据集的一对一检索设置，因为查询和参考图像不是完美对齐的对，并且可能存在覆盖一个查询位置的多个参考图像。为了弥合这一现实的设置和现有的数据集之间的差距，我们提出了一个新的大规模基准- VIGOR -跨视图图像地理定位超越一对一检索。我们对现有的最先进的方法进行基准测试，并提出了一种新的端到端框架，以粗到细的方式本地化查询。除了图像级检索精度外，我们还使用原始GPS数据根据实际距离（米）评估定位精度。在不同的应用场景下进行了大量的实验，以验证所提出的方法的有效性。结果表明，在这种现实环境中的跨视图地理定位仍然是具有挑战性的，促进在这个方向上的新的研究。我们的数据集和代码将在\url{https://github.com/Jeff-Zilence/VIGOR}上发布
2021-03-22 cs.AI cs.CV
Geometric Inconsistency Localization in Multi-View Image Sets
IDLab, Ghent University - imec（根特大学-imec IDLab）
本研究提出DeformView数据集和DEFECt3R分类器，用于在宽基线多视角图像中定位几何不一致性，显著提升取证任务性能并减少误报。
2026-09-28 cs.AI cs.CR cs.CV
GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization
Center for Research in Computer Vision, University of Central Florida（中佛罗里达大学计算机视觉研究中心）
提出GeoCLIP，通过随机傅里叶特征和分层表示将地球建模为连续函数，实现图像与GPS位置的对齐，在仅用20%训练数据下取得竞争力性能，并支持文本查询定位。
2023-11-21 cs.CV cs.LG
GeoReasoner: Geo-localization with Reasoning in Street Views using a Large Vision-Language Model
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tongji University（同济大学）；Independent Researcher（独立研究者）；Information Engineering University（信息工程大学）
GeoReasoner通过整合外部知识和改进的微调方法，提升了街景地理定位的性能，优于现有模型并节省训练资源。
2025-11-22 cs.CV cs.LG
Cross-view geo-localization: a survey
University of Maine（缅因大学）；Fairfield University（费尔菲尔德大学）；Illinois State University（伊利诺伊州立大学）
本文综述跨视角地理定位的基于特征与深度学习方法、挑战、数据集、指标及前沿技术比较，并展望未来研究方向与新兴应用。
2024-06-14 cs.CV cs.LG
Scaling Image Geo-Localization to Continent Level
ETH Zurich（苏黎世联邦理工学院）；Google（谷歌）；Politecnico di Milano（米兰理工大学）
在全球范围内确定图像的精确地理位置仍然是一个尚未解决的挑战。标准的图像检索技术是低效的，由于庞大的图像量（> 100 M），并失败时，覆盖率不足。然而，可扩展的解决方案涉及权衡：全球分类通常会产生粗糙的结果（10公里以上），而地面和空中图像之间的跨视图检索遭受域间隙，并已主要研究了较小的区域。本文介绍了一种混合的方法，实现细粒度的地理定位在一个大的地理广阔的大陆的大小。我们在训练过程中利用代理分类任务来学习隐式编码精确位置信息的丰富特征表示。我们将这些学到的原型与航空图像的嵌入相结合，以增加对地面数据稀疏性的鲁棒性。这使得直接，细粒度的检索跨越多个国家的地区。我们广泛的评估表明，我们的方法可以本地化超过68%的数据集，覆盖了欧洲的大部分查询在200米。该代码可在https://scaling-geoloc.github.io上公开获取。
2025-10-30 cs.CV cs.LG
Hierarchical Attention Fusion for Geo-Localization
Fudan University（复旦大学）；University of Florida（佛罗里达大学）；Purdue University（普渡大学）
地理定位是计算机视觉中的一项关键任务。在这项工作中，我们投的地理定位作为一个二维图像检索任务。目前的2D地理定位的最先进的方法是不鲁棒的定位场景与激烈的规模变化，因为他们只利用一个语义级别的图像表示的功能。为了解决这个问题，我们引入了一个层次化的注意力融合网络，使用多尺度特征进行地理定位。我们从卷积神经网络（CNN）中提取分层特征图，并将提取的特征有机地融合到图像表示中。我们的训练是自我监督的，使用自适应权重来控制每个层次的特征强调的注意力。图像检索和大规模地理定位基准测试的评价结果表明，我们的方法优于现有的国家的最先进的方法。代码可在此处获得：\url{https://github.com/YanLiqi/HAF}。
2021-02-18 cs.CV
GeoISF: Instance Semantic Forest Inspired Large-Scale Cross-View Geo-Localization via Ground LiDAR-to-Satellite Image
提出GeoISF管道，利用WordNet构建实例语义森林增强语义表示，弥合点云与卫星图像模态差异，在KITTI数据集上R@10指标比并行方法提升13.22倍。
2026-06-17 cs.CV
Image-Based Geo-Localization Using Satellite Imagery
在给定查询地面视图图像的地理参考卫星地图上的定位问题是有用的，但由于视点的急剧变化而仍然具有挑战性。为此，在本文中，我们的工作扩展我们的早期工作的跨视图匹配网络（CVM-Net）的地面到空中的图像匹配任务，因为传统的图像描述符失败，由于急剧的视点变化。特别是，我们展示了更广泛的实验结果和分析我们的CVM-Net上的网络架构。此外，我们提出了一个马尔可夫定位框架，强制执行图像帧之间的时间一致性，以提高地理定位结果的情况下，地面视图图像的视频流是可用的。实验结果表明，我们提出的马尔可夫定位框架可以在我们的新加坡数据集上连续定位车辆在一个小的误差。
2019-06-02 cs.CV
GeoCapsNet: Aerial to Ground view Image Geo-localization using Capsule Network
Shenzhen University（深圳大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
跨视图图像地理定位的任务旨在通过将查询地面视图图像与参考数据集中的GPS标记的航空（卫星）图像进行匹配来确定其地理位置（GPS坐标）。由于视点的剧烈变化，交叉视点图像的匹配具有挑战性。在本文中，我们提出了GeoCapsNet的基础上的胶囊网络的地对空图像地理定位。该网络首先通过标准卷积层从地面视图和航空图像中提取特征，胶囊层进一步编码特征以建模空间特征层次结构并增强表示能力。此外，我们引入了一个简单有效的加权软边缘三重损失与在线批量硬样本挖掘，它可以大大提高图像检索的准确性。实验结果表明，我们的GeoCapsNet显着优于国家的最先进的方法在两个基准数据集。
2019-04-12 cs.CV
Visual and Object Geo-localization: A Comprehensive Survey
University of Vermont（佛蒙特大学）；Information Technology University（信息技术大学）
本文综述了视觉与物体地理定位领域，涵盖图像定位与物体定位，总结主流算法、数据集及性能，展示研究现状。
2023-10-11 cs.CV
A Unified Hierarchical Framework for Fine-grained Cross-view Geo-localization over Large-scale Scenarios
School of Electronics and Communication Engineering, the Shenzhen Campus of Sun Yat-sen University（中山大学电子与通信工程学院（深圳校区））；Sun Yat-sen University（中山大学）；College of Electronic Science and Technology, Aviation University of Air Force（空军工程大学电子科学与技术学院）
提出UnifyGeo统一分层框架，将检索与度量定位集成于单网络，通过多粒度表示学习和重排序机制，在VIGOR基准上显著提升细粒度跨视角地理定位性能。
2026-09-17 cs.CV
On the Role of Geometry in Geo-Localization
Tel-Aviv University（特拉维夫大学）；Interdisciplinary Center Herzliya（赫兹利亚跨学科中心）
人类可以建立一个地理区域的心理地图，以找到他们的方式并识别地方。我们考虑的基本任务是地理定位-从单个图像中找到大型3D场景中相机的姿态（位置和方向）。我们的目标是实验性地探索几何形状在卷积神经网络（CNN）解决方案中的地理定位中的作用。我们这样做是通过忽略场景中经常可用的纹理。因此，我们故意避免使用纹理或丰富的几何细节，并使用从城市的简单3D模型投影的图像，我们称之为精益图像。精益图像仅包含与所查看区域的几何形状（边、面或相对深度）相关的信息。我们发现，该网络能够从倾斜图像中估计相机姿态，并且它不是通过记忆而是通过地理区域的几何学习来实现的。本文的主要贡献是：（i）深入了解几何在CNN学习过程中的作用;（ii）展示CNN使用精益图像恢复相机姿势的能力。
2019-06-26 cs.CV
Scale Drift Correction of Camera Geo-Localization using Geo-Tagged Images
The University of Tokyo（东京大学）；National Institute of Informatics（国立信息学研究所）
从单目视频中定位摄像机是视频分析和自主导航的基础任务。虽然3D重建是获得相机姿态的关键技术，但在大环境中的单目3D重建往往会导致旋转，平移，特别是尺度误差的积累：称为尺度漂移的问题。为了克服这些错误，我们提出了一个新的框架，集成了增量运动恢复结构（SfM）和规模漂移校正方法，利用地理标记的图像，如谷歌街景提供的。我们的校正方法首先通过使用地理标记的图像获得重建的3D地图坐标系和世界坐标系之间的稀疏6-DoF对应关系。然后，通过在Sim（3）约束下应用位姿图优化和光束法平差来校正尺度漂移。大规模数据集上的实验结果表明，该框架不仅能够有效地纠正尺度漂移，而且能够在更大尺度的环境中实现精确的地理定位。
2018-08-26 cs.CV
GeoSURGE: Geo-localization using Semantic Fusion with Hierarchy of Geographic Embeddings
SRI International（SRI国际）
本文提出GeoSURGE方法，通过层次化地理嵌入和语义融合模块提升地理定位的准确性，实验表明在多个基准测试中取得新突破。
2026-03-27 cs.AI cs.CV
UniGeo: A Multi-modal Large Language Model for Text-Guided Cross-View Geo-Localization
School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）；Institute of Collaborative Innovation, University of Macau（澳门大学协同创新研究院）
UniGeo是一种统一多模态大语言模型，通过地理语义学习、跨视角生成及即插即用验证模块，在文本引导无人机地理定位任务中显著提升了检索性能。
2026-08-28 cs.CV
Is Geometry Enough for Matching in Visual Localization?
Technical University of Munich（慕尼黑工业大学）；Universidade de Lisboa（里斯本大学）
在本文中，我们建议超越成熟的方法，以视觉为基础的本地化，依赖于查询图像和3D点云之间的视觉描述符匹配。虽然通过视觉描述符匹配关键点使定位高度准确，但它具有显著的存储需求，引起了隐私问题，并需要长期更新描述符。为了优雅地解决大规模定位的实际挑战，我们提出了GoMatch，这是一种基于视觉的匹配的替代方案，它仅依赖于将图像关键点与地图匹配的几何信息，表示为一组方位向量。我们新颖的3D点的方位矢量表示，显着缓解了基于几何的匹配中的跨模态挑战，这些挑战阻止了先前的工作在现实环境中解决定位问题。通过额外的精心架构设计，GoMatch改进了先前基于几何的匹配工作，在剑桥地标和7场景上的平均中值姿态误差减少了（10.67m，95.7deg）和（1.43m，34.7deg），同时与最好的基于视觉的匹配方法相比，只需要1.5/1.7%的存储容量。这证实了其在现实世界中的定位的潜力和可行性，并为未来不需要存储视觉描述符的城市规模视觉定位方法的发展打开了大门。
2022-07-30 cs.CV
Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching
Australian National University（澳大利亚国立大学）；Huawei（华为）；University of Oxford（牛津大学）；Data61/CSIRO（澳大利亚联邦科学与工业研究组织数据61所）
我们解决的问题，地面到卫星图像的地理定位，也就是说，估计相机的纬度，经度和方向（方位角），通过匹配查询图像在地面捕获的大型数据库与地理标记的卫星图像。我们的现有技术通过选择与地面查询图像匹配的最相似的卫星参考图像来将上述任务视为纯图像检索。然而，这种方法通常产生粗略的位置估计，因为检索到的卫星图像的地理标记仅对应于图像中心，而地面相机可以位于图像内的任何点。为了进一步巩固我们以前的研究成果，我们提出了一种新的几何感知的地理定位方法。我们的新方法是能够实现查询图像的细粒度定位，卫星图像的像素大小的精度，一旦其粗略的位置和方向已经确定。此外，我们提出了一个新的几何感知的图像检索管道，以提高粗定位精度。除了我们会议工作中的极坐标变换外，这个新管道还通过几何约束投影变换将卫星图像像素映射到地面视图中的地平面，以强调信息区域，例如道路结构，用于跨视图地理定位。大量的定量和定性实验证明了我们新提出的框架的有效性。我们还显着提高性能的粗定位结果相比，国家的最先进的位置召回。
2022-03-26 cs.CV
DynCur-Geo: Dynamic Curiosity Reward Shaping for Multimodal Active Geo-Localization
本文提出DynCur-Geo动态好奇心框架，通过距离感知门与势能奖励塑造优化多模态主动地理定位，在多场景实验中较基线方法取得一致性能提升。
2026-08-20 cs.CV
Spatially-Weighted CLIP for Street-View Geo-localization
School of Geospatial Engineering and Science, Sun Yat-Sen University（中山大学地理科学与规划学院）；School of Geographical and Earth Sciences, University of Glasgow（格拉斯哥大学地理与地球科学学院）；School of System Science and Engineering, Sun Yat-Sen University（中山大学系统科学与工程学院）
本文提出空间加权CLIP(SW-CLIP)，通过引入空间自相关增强视觉-语言对比学习，改进街景地理定位的准确性与空间一致性。
2026-04-06 cs.CV
Geo$^\textbf{2}$: Geometry-Guided Cross-view Geo-Localization and Image Synthesis
Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所）；University of Vermont（佛蒙特大学）
本文提出Geo²框架，利用几何先验知识联合完成跨视角地理定位和双向图像合成，通过共享3D感知潜在空间和GeoFlow模型提升性能。
2026-03-26 cs.CV
STHN: Deep Homography Estimation for UAV Thermal Geo-localization with Satellite Imagery
New York University（纽约大学）；Autonomous Robotics Research Center-Technology Innovation Institute（自主机器人研究中心-技术创新研究所）
针对无人机热红外地理定位中卫星地图密集采样和几何噪声问题，提出STHN方法，采用从粗到细的深度单应性估计，在11%尺寸比下实现512米半径内可靠定位，显著提升低能见度下的鲁棒性。
2025-09-26 cs.CV cs.RO
ConGeo: Robust Cross-view Geo-localization across Ground View Variations
Wuhan University（武汉大学）；EPFL（洛桑联邦理工学院）
本文提出ConGeo，一种单视角和跨视角对比学习方法，通过强制同一地点不同地面视角变化的特征接近，增强模型对朝向和视场变化的鲁棒性，在四个基准上显著提升多个基础模型的地理定位性能。
2024-09-04 cs.CV
Cross-View Image Matching for Geo-localization in Urban Environments
University of Central Florida（中佛罗里达大学）
在本文中，我们解决的问题，跨视图图像的地理定位。具体来说，我们的目标是通过在地理标记的鸟瞰图图像的参考数据库中找到匹配的图像来估计查询街景图像的GPS位置，反之亦然。为此，我们提出了一个新的框架，通过利用深度卷积神经网络（CNN）在图像分类和目标检测的巨大成功，跨视图图像地理定位。首先，我们使用Faster R-CNN来检测查询和参考图像中的建筑物。接下来，对于查询图像中的每个建筑物，我们使用在正匹配图像对和负匹配图像对上训练的Siamese网络从参考建筑物中检索$k$最近邻居。为了找到正确的NN为每个查询建设，我们开发了一个有效的多个最近邻匹配方法的基础上占主导地位的集。我们评估了一个新的数据集，包括对街景和鸟瞰图像的建议框架。实验结果表明，该方法实现了更好的地理定位精度比其他方法，并能够推广到图像在看不见的位置。
2017-03-22 cs.CV
Cross-view Geo-localization with Evolving Transformer
College of Computer Science and Software Engineering（计算机科学与软件工程学院）；Shenzhen University（深圳大学）
在这项工作中，我们解决的问题，跨视图地理定位，估计的地理空间位置的街景图像匹配它与地理标记的航空图像的数据库。跨视图匹配任务是极具挑战性的，由于激烈的外观和几何形状的差异，跨视图。与现有的方法主要依靠CNN，在这里，我们设计了一种新的不断发展的地理定位Transformer（EgoTR），利用Transformer中的自我注意力的属性来建模全局依赖关系，从而显着减少跨视图地理定位中的视觉模糊性。我们还利用Transformer的位置编码来帮助EgoTR理解和对应地面和空中图像之间的几何配置。与对几何知识施加强假设的最先进方法相比，EgoTR通过训练目标灵活地学习位置嵌入，因此在许多现实场景中变得更加实用。虽然Transformer非常适合我们的任务，但它的香草自我注意力机制在每一层的图像块内独立交互，忽略了层之间的相关性。相反，本文提出了一个简单而有效的自交叉注意力机制，以提高学习表征的质量。自交叉注意力模型的全局依赖性相邻层之间，这涉及图像补丁之间，同时建模如何在前一层的功能演变。因此，所提出的自交叉注意导致更稳定的训练，提高了泛化能力，并鼓励表示随着网络的深入而不断进化。大量的实验表明，我们的EgoTR表现良好，对国家的最先进的方法对标准，细粒度和跨数据集跨视图地理定位任务。
2021-07-05 cs.CV
Towards Interpretable Geo-localization: a Concept-Aware Global Image-GPS Alignment Framework
Peking University（北京大学）；Harbin Institute of Technology（哈尔滨工业大学）；The Hong Kong University of Science and Technology（香港科技大学）；Harbin Institute of Technology (Weihai)（哈尔滨工业大学（威海））
针对现有地理定位模型可解释性不足的问题，提出融合概念瓶颈的概念感知对齐框架，将图像与位置嵌入投影到共享地理概念库并优化概念损失，在提升定位精度的同时实现可解释性，是首个该方向的研究。
2025-09-05 cs.AI cs.CV
DualGeo: A Dual-View Framework for Worldwide Image Geo-localization
Henan Key Laboratory of Cyberspace Situation Awareness, Zhengzhou, China（河南空域态势感知重点实验室，郑州，中国）；Information Engineering University, Zhengzhou, China（信息工程大学，郑州，中国）
DualGeo通过融合图像与语义分割特征构建地理表示，并利用双视角对比学习与地理聚类提升全球图像定位精度，实验表明其在街道和城市级别定位准确率提升显著。
2026-04-28 cs.CV
Anchor-free Cross-view Object Geo-localization with Gaussian Position Encoding and Cross-view Association
Xingtao Ling, Chenlin Fu, Yingying Zhu
提出无锚框跨视图目标地理定位方法 AFGeo，通过四方向偏移预测、GPE 点击点建模和 CVOAM 跨视图关联，以低开销实现轻量高效的最先进定位性能。
2025-09-30 cs.CV
Weatherproofing Retrieval for Localization with Generative AI and Geometric Consistency
NAVER LABS Europe（NAVER欧洲实验室）
本文提出利用生成式文本到图像模型合成训练图像变体以扩充数据集，并结合真实与合成图像的几何信息改进训练方法，显著提升了视觉定位中图像检索步骤的鲁棒性与精度。
2024-02-14 cs.CV
How to Reduce Localization Ambiguity? Geometry-Semantic Constrained BEV Representation Learning for Satellite-Ground Localization
The Hong Kong Polytechnic University（香港理工大学）；Southern University of Science and Technology（南方科技大学）；Wuhan University（武汉大学）；The Chinese University of Hong Kong（香港中文大学）；Huawei Technologies Co., Ltd（华为技术有限公司）
针对卫星-地面定位中的几何与描述符歧义，提出GeoSem-BEV方法，通过径向深度、垂直高度和共享语义监督约束BEV表示学习，显著降低方向误差。
2026-10-01 cs.CV
HoloGeo: Mitigating Landmark Bias in Geo-localization via Evidence-Driven Reasoning
National University of Singapore（新加坡国立大学）；Shandong University of Science and Technology（山东科技大学）；University of Oxford（牛津大学）
研究针对视觉语言模型地理定位易受地标偏差影响的问题，提出证据驱动推理框架HoloGeo，借助高质量数据集，通过多维度奖励实现平衡关注与联合推理，经实验验证其在多个数据集上能有效减轻地标偏差，提升地理定位性能。
2026-07-17 cs.CV
Multi-weather Cross-view Geo-localization Using Denoising Diffusion Models
Tsinghua University（清华大学）；BNRist, Tsinghua University（清华大学BNRist）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出MCGF框架，利用去噪扩散模型联合优化图像恢复与地理定位，通过共享编码器和EVA-02主干网络消除天气干扰，在多天气条件下实现了有竞争力的跨视角地理定位性能。
2024-08-28 cs.AI cs.CV
More Than Where You Are: Learning Semantics, Structure, and Geometry from Cross-View Localization
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Aerospace Control Center（北京航天飞行控制中心）
研究如何在极端视角变化下通过跨视图定位让模型学习语义、结构和几何。提出CROSS框架，克服现有方法局限，经实验验证该框架在跨视图定位中性能最优，能有效学习多方面内容。
2026-07-15 cs.CV
Few-shot Geometry-Aware Keypoint Localization
University of British Columbia（不列颠哥伦比亚大学）；Flawless AI（Flawless AI公司）
有监督的关键点定位方法依赖于大型手动标记的图像数据集，其中对象可以变形、铰接或遮挡。然而，创建如此大的关键点标签是耗时且昂贵的，并且由于不一致的标签而经常容易出错。因此，我们需要一种方法，可以学习关键点定位与更少但一致的注释图像。为此，我们提出了一种新的配方，学习本地化语义一致的关键点定义，即使是遮挡区域，不同的对象类别。我们使用一些用户标记的2D图像作为输入示例，这些示例通过使用更大的未标记数据集的自我监督进行扩展。与无监督方法不同，Few-Shot图像充当对象定位的语义形状约束。此外，我们引入了3D几何感知约束来提升关键点，实现更准确的2D定位。我们的通用公式为语义条件生成建模铺平了道路，并在多个数据集上达到了具有竞争力或最先进的精度，包括人脸，眼睛，动物，汽车和从未见过的口腔内部（牙齿）定位任务，而不是以前的Few-Shot方法所尝试的。项目页面：https：//xingzhehehe.github.io/FewShot3DKP/}{https：//xingzhehehe.github.io/FewShot3DKP/
2023-03-30 cs.CV
When 2D Cues Fail: Improving Image Manipulation Localization with Reliable 3D Geometry
School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院）
研究针对二维线索在图像操纵定位中失效的问题，利用单目重建获取几何线索，设计几何感知框架GFrame，估计其可靠性并与RGB特征融合跨尺度传播，在有限预算下提升定位性能，证明三维几何可补充二维线索用于IML。
2026-07-21 cs.CV
Cross-View Image Sequence Geo-localization
University of Vermont（佛蒙特大学）；Information Technology University（信息技术大学）
跨视图地理定位的目的是通过将查询地面视图图像与来自地理标记的航空图像的参考数据库的图像进行匹配来估计查询地面视图图像的GPS位置。为了解决这个具有挑战性的问题，最近的方法使用全景地面视图图像来增加可见度的范围。虽然有吸引力，但与有限视场（FOV）图像的视频相比，全景图像并不容易获得。在本文中，我们提出了第一个跨视图的地理定位方法，工作在一系列有限的FOV图像。我们的模型是端到端训练的，使用基于注意力的时间特征聚合模块来捕获帧内的时间结构。为了在推理过程中鲁棒地处理不同长度的序列和GPS噪声，我们提出了使用顺序丢弃方案来模拟变长序列。为了在现实环境中评估所提出的方法，我们提出了一个新的大规模数据集，包含地面视图序列以及相应的鸟瞰图像。大量的实验和比较表明，与几种竞争基线相比，所提出的方法具有优越性。
2022-11-02 cs.CV
Recognition through Reasoning: Reinforcing Image Geo-localization with Large Vision-Language Models
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）
针对图像地理定位缺乏可解释性及现有数据场景单一、微调提升有限的问题，提出构建MP16-Reason数据集及GLOBE方法，通过组相对策略优化联合增强可定位性评估与视觉推理，提升定位精度并生成可解释推理轨迹。
2025-10-24 cs.CV
