该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法，其采用基于地面 - 卫星特征字典的视觉定位方法，可以在不需要密集的地面图像数据库的情况下估计任意位置的可能性，并通过学习定位判别特征投影矩阵进一步提高精确度，在公共数据集上得到了显著的改进。

Oct, 2015

本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

Jun, 2019

提出了一种新颖的轻量级视觉语义定位算法，通过稳定的语义特征代替低级纹理特征，结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明，该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。

Jun, 2024

本文提出了一种利用普通地面图像和低精度手机 GPS 训练地理空间深度神经网络以准确预测车辆地理位置 (纬度和经度) 的方法。我们在一个公开数据集和我们自己采集的在雾都旧金山市中心的图像上验证了该方法，结果表明模型可以在实际业务应用中足够预测质量位置，同时避免了使用地图或 SFM 模型的当今经典视觉定位或姿态估计方法所遇到的问题。

Apr, 2018

本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

Apr, 2022

我们提出了一种新颖的全局 - 本地视觉定位（GLVL）网络，通过结合大规模检索模块和细粒度匹配模块实现了无局限累积误差的实时精确定位，证实了我们方法在稀疏纹理特征的村庄场景下只有 2.39 米的 0.48 秒的定位误差。

Oct, 2023

本文提出了一种使用深度密集局部特征匹配和车辆检测器相结合的视觉定位框架，以消除车辆造成的虚假匹配，实现对室内停车场的定位，并在基准数据集上取得了 86.9% 的准确率，表现优于现有方法。

May, 2022

本研究提出了一种新方法，通过整合深度学习、图像处理和几何计算来解决观测车辆定位问题，通过移动传感器或 MV 上搭载的单目摄像头，可以成功地动态地估计车辆的经纬度信息。

Mar, 2022

本文提出了一种细粒度的室外机器人自定位方法，利用可调数量的机载摄像头和易获取的卫星图像；该方法解决了现有的跨视角定位方法因移动物体和季节变化等噪声源的问题；通过从地面和卫星视图中检测一致的关键点和它们对应的深度特征，去除离地物体，并在两个视图之间建立同伦变换，该方式是第一个仅利用视觉的稀疏方法，以提高动态环境下的感知能力；此外，该方法采用空间嵌入方法，利用相机内外参数信息降低纯视觉匹配的歧义性，从而提高特征匹配和姿态估计的准确性。通过在 KITTI 和 Ford Multi-AV Seasonal 数据集上进行大量实验，证明了该方法优于现有的最先进方法，能够实现横向和纵向方向上低于 0.5 米的中位空间准确性误差，以及小于 2 度的中位方向准确性误差。

Aug, 2023

本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

Apr, 2019