本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

Oct, 2020

该研究论文研究了视觉定位中图像检索方法对定位性能的影响，并提出了专为定位场景设计的检索方法的需求。通过引入基准测试和多种 “地面真实性” 定义以及针对经典地标检索或地点识别任务的检索效能的分析，探讨了这种影响。

May, 2022

我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

Mar, 2024

通过针对视觉定位任务设计的检索方法，对知名的图像检索技术在多个数据集上进行了对比，发现经典的标志性目标的检索效果与定位效果并不完全匹配。

Nov, 2020

本文使用 ToDayGAN 模型转换驾驶图片的夜间场景为更有用的白天场景，并且通过将当前最接近的白天场景的 6-DOF 位置用于夜间场景的姿态估计，将其用于两次遍历相同区域的图像的精确定位，其性能比最新的标准指标表现提高了超过 250%。

Sep, 2018

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

本文提出了一种方法，使用计算机图形和生成模型相结合，通过扩充现有的晴天数据以模拟恶劣天气状况，将增广用于无监督深度估计，进而引入伪监督损失来解决降低性能的问题。

Jul, 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

介绍了一个名为 Gradient-based Maximally Interfered Retrieval (GMIR) 的梯度采样策略，该策略可以用于 3D 目标检测中的连续学习以在恶劣天气条件下进行精确检测，与从头训练相比训练时间减少 46.25%。

Apr, 2023

本文提出了一种通过学习可逆的生成器将图像从一种条件转换到另一种的方法，以此改善在外观强烈变化的情况下的视觉场所识别和度量本地化效果，并基于 SURF 检测器和密集描述符映射的新损失进行特征匹配。数据测试表明，这种方法能够在减少映射运行次数的同时，在多种环境下显著提高地点识别和定位的效果。

Mar, 2018