Scaling Image Geo-Localization to Continent Level¶

会议: NeurIPS 2025
arXiv: 2510.26795
代码: https://scaling-geoloc.github.io
领域: 遥感 / 视觉定位
关键词: 地理定位, 跨视图检索, 分类原型, 航拍-地面匹配, 大规模

一句话总结¶

混合方法结合分类学习的原型和航拍图像嵌入，在覆盖西欧43.3万平方公里上实现200m内68%+、100m内59.2%的定位率，首次在大陆规模实现此精度。

将地理定位建模为混合检索问题：训练阶段通过分类代理任务学习地面视图原型（隐式聚合地面级特征），推理阶段将原型与航拍图像嵌入融合成cell code，对查询图像做相似度检索。

分类原型学习:
做什么：用S2 Cell层级分区（L15，~281m边长），为每个cell学习一个原型向量 \(\mathbf{z}^P\)
核心思路：对比学习让地面图像的查询嵌入 \(\mathbf{z}^Q\) 与对应cell原型相似、与其他cell原型不同
设计动机：原型隐式聚合了该区域所有地面图像的视觉信息（如建筑风格、路面特征），比单张数据库图像更鲁棒
航拍编码融合:
做什么：将航拍瓦片编码 \(\mathbf{z}^A\) 与地面原型 \(\mathbf{z}^P\) 线性组合成最终的cell code
核心思路：\(\mathbf{z}^{\text{cell}}_i = \kappa \cdot \mathbf{z}^P_{P(i)} + \mathbf{z}^A_i\)，其中 \(\kappa\) 是校准因子
设计动机：原型解决了地面图像覆盖不足的问题（尤其农村地区），航拍提供精确的空间定位线索；两者互补
三角对比训练:
做什么：三对约束联合训练——地面↔原型、地面↔航拍、航拍↔原型
核心思路：每个训练样本包含一张地面图像和对应的航拍瓦片（随机旋转/平移增强）
设计动机：三角约束确保三种表示空间对齐，任意两者的相似度都有意义
校准因子 \(\kappa\)：匹配原型和航拍嵌入的相似度量级差异（原型覆盖更大区域，嵌入偏差更大）

方法	类型	200m R@1	100m R@1
PIGEON	分类	~30%	~15%
GeoClip	分类	更低	更低
MegaLoc	检索	~55%	~45%
本文	混合	68%+	59.2%