本文通过调查与研究 Visual Place Recognition（VPR）的关键要素，提出一种基于视觉重叠的新的 VPR 定义，并指出未来需要深入关注的挑战和领域。
Mar, 2021
本文介绍了一种新颖的基于 Transformer 的全局位置识别模型 TransVPR，该模型在多尺度上聚合任务相关特征，并通过空间匹配实现对全局视觉特征的候选人重新排序，具有最先进的性能并且计算时间和存储要求相对较低。
Jan, 2022
通过使用通用特征表示和无监督特征聚合，本研究提出了一种适用于各种结构化和非结构化环境的通用视觉地点识别 (VPR) 解决方案，并取得了相较于现有方法高出 4 倍的显著性能提升，同时对特征进行语义属性建模获得 6% 的性能改善。
Aug, 2023
本研究旨在通过多尺度注意力模块，实现从视觉和语义内容中学习鲁棒全局嵌入以及动态引导的分割过程，以提高视觉地点识别的准确性，同时提出第一个适用于地点识别和分割任务的合成世界数据集，实验证明方法在不同情景下具有良好性能。
本研究分析了图像分辨率对基于手工制作的 Visual Place Recognition (VPR) 管道的精度和鲁棒性的影响，并旨在帮助学术研究人员和公司在硬件和软件行业共同设计 VPR 解决方案以及扩展 VPR 算法在商业产品中的应用。
May, 2023
本文旨在探究利用先前的地图信息对动态场景中的目标进行检测，进而提出了一种基于二进制分类神经网络的算法，该算法能够验证查询图像的检测，并通过参考地图图片得出高精度检测的集合，且证明该方法在不同数据集和环境下能够提升车辆检测性能。
Jun, 2023
本文提出了 StructVPR，一种新的训练体系结构，以增强 RGB 全局特征中的结构知识，因此提高在不断变化的环境下的特征稳定性。 StructVPR 使用分割图像作为 CNN 网络中结构知识输入的更明确的源，并应用知识蒸馏来避免在线分割和测试中的 Seg-branch 推理。最终，StructVPR 使用全局检索仅在几项基准测试中取得了令人印象深刻的表现，并且即使在附加重新排名的情况下，仍然保持低的计算成本。
Dec, 2022
本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题，并给出了新的综合基准和两个具有挑战性的数据集。
Apr, 2023
本研究提出了一种跨域视觉地点识别任务，使用年龄不变的特征学习卷积神经网络和注意聚合模块实现跨域匹配不同领域中同一建筑物的图像，达到了 99% 的单域匹配和 20% 的跨域匹配的最佳成果。
Sep, 2019
该论文旨在提高基于图像的位置估计方法（Visual Place Recognition）的精度，作者通过提出一种连续的地点描述符回归方法（Continuous Place-descriptor Regression），在已有的参考图片上进行插值和外推，以增加参考图片的密度，通过实验结果发现该方法可以提高约 30% 的定位精度，相比使用视角不变损失函数，该方法可以额外提高约 15%。