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

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

本篇论文提出了一种增加地面摄像头位置和方向准确度的方法，通过估计地平线图像和卫星图像之间的相对旋转和平移，设计一种几何引导的交叉视图转换器，构建一个强大的神经姿态优化器来估计它们之间的相对旋转，通过空间相关性生成车辆位置的概率图，并明显优于现有技术。

Jul, 2023

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

通过学习地面和卫星图像中稠密的像素级光流场来计算相机姿态，本文提出了一种新的端到端方法，该方法与现有方法不同之处在于通过在像素级构建特征度量，从而实现全图监督学习从而获取地面和卫星图像的独特的几何配置和视觉外貌。经过广泛的实验，证明了与最新的方法相比，在 KITTI、Ford multi-AV、VIGOR 和 Oxford RobotCar 数据集上，我们的方法将中位数定位误差分别降低了 89%、19%、80% 和 35%。

Sep, 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

本研究定义了更加现实的问题假设，提出了一个新的大规模数据集 VIGOR 用于跨视角图像地理定位，并且评估了现有方法在该问题假设下的性能，同时提出了一种新方法用于粗 - 精定位，并使用原始 GPS 数据以实际距离（米）评估了本研究的性能。

Nov, 2020

本文针对在地面视图图像查询给定地理参考卫星地图的定位问题提出了一种基于 CVM-Net 的 Markov 定位框架，通过更广泛的实验结果和分析，它扩展了我们早期关于 CVM-Net 的工作，并提出了一种 Markov 定位框架，该框架可以在可用的地面图像流视频的情况下增强地理定位结果。实验结果表明，我们提出的 Markov 定位框架可以在新加坡数据集上持续实现小误差内的车辆定位。

Mar, 2019

该论文提出了一种基于联合三维几何和语义理解的新方法来解决计算机视觉中困难的视觉定位问题，该方法使用生成模型进行描述符学习，并在语义场景补全作为辅助任务进行训练，以使得生成的三维描述符具有鲁棒性，并能够实现在极端视角，光照和几何变化下的可靠定位。

Dec, 2017

本文基于深度卷积神经网络，提出了一个新的框架，用于跨视角图像地理定位，包括 Faster R-CNN 和 Siamese 网络，并将其在一个新的数据集上进行了评估，结果表明该方法比其他方法具有更好的定位精度，并能够推广到未见过的位置。

Mar, 2017