本文研究基于图像的地理定位问题，通过在地图上确定地面视角的查询图像。我们提出了一种新的方法，通过 2.5D 空间中的结构高度来引导跨视图匹配，并借助多模态数据学习代表性嵌入。我们构建了第一个大规模的地面到 2.5D 地图地理定位数据集来验证我们的方法，并在单图像定位和路径定位等任务上进行了广泛实验，结果表明我们的方法在定位精度和收敛速度上明显优于之前的基于 2D 地图的方法。

Aug, 2023

本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系，并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开，实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐，实验结果表明，该特征空间可以对图像之间产生准确的对应关系，并具有明显的推广能力。

Mar, 2021

视觉地理定位方法的多阶段课程学习以及全局和局部特征的关键点检测、描述和位置调整使其成为一种实用的视觉地理定位解决方案，取得了高召回率的好成绩。

Nov, 2023

在夜间场景、恶劣天气和季节变化等苛刻条件下进行视觉定位是一项具有挑战性的任务。本研究提出了一种新颖的定位方法，通过提取可靠的半稠密的 2D-3D 匹配点来改进相机位姿估计的准确性，即使在噪声场景中也能取得显著的成果。

Feb, 2024

本文针对跨视域地理定位领域的前沿方法、技术和挑战进行了综述，着重介绍了基于特征和深度学习策略。研究涵盖了建立不同视点之间对应关系的基于特征的方法，以及采用卷积神经网络嵌入视图不变属性的深度学习方法。对跨视域地理定位遇到的各种挑战进行了探讨，如视点和照明的变化、遮挡的发生，并提出了相应的创新解决方案。此外，本文介绍了基准数据集和评估指标，并对最先进技术进行了比较分析。最后，对未来研究以及跨视域地理定位在全球复杂网络环境中蓬勃发展的应用进行了讨论。

Jun, 2024

本文提出了一种新的无监督学习方法 ——Warp Consistency，来解决实际图像匹配中出现的大外观变化的问题，并在多个有挑战性的基准数据集上取得了新的最高水平。

Apr, 2021

本文提出 GoMatch 作为大规模本地化中仅基于几何信息匹配图像关键点到地图的替代方案，使用 3D 点的旋转矢量表示地图，减少了存储需求并提高了实时性。实验表明，与最佳视觉匹配方法相比，GoMatch 在 Cambridge Landmarks 和 7-Scenes 上的平均姿态中位误差分别降低了 (10.67 米，95.7 度) 和 (1.43 米，34.7 度)，并且只需最佳视觉匹配方法存储能力的 1.5/1.7%。

Mar, 2022

本文介绍了一种机器学习方法，用于学习基于图像检索的定位图像特征，通过引导学习过程，使图像特征与几何距离成比例，并在实验中表现出更好的定位准确度以及在缺乏参考图像的情况下估计查询序列轨迹的能力。

Mar, 2020

本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架，通过旋转保角本质的数据增强学习旋转不变性的本地描述符，并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证，在包括姿势估计和视觉位置识别等关键任务上提供了实用性能量的性能表现。

Mar, 2021

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