VICI-基于 VLM 指导的跨视图图像定位-计算机科学-图像定位-视觉语言模型-图像检索.pdfVIP

VICI：基于VLM指导的跨视图图像定位

123

XiaohanZhang*TavisShore*ChenChenOscar

Mendez4

21

SimonHadfieldSafwanWshah

123

UniversityofVermontUniversityofSurreyUniversityofCentralFloridaLocus

Robotics4

xiaohan.zhang@,t.shore@surrey.ac.uk

摘要具体来说，在R@1和R@10检索率上分别达到了30.21%

本和63.13%。这强调了优化检索和重新排序策略在提升

在本文中，我们提出了一种针对UAVM2025挑战赛[1]

译的高性能解决方案，该挑战赛侧重于使用University-实用地理定位性能方面的潜力。

中1652数据集将狭窄的Field-of-View(FOV)街道级图代码可在/tavisshore/VICI获得。

1像与相应的卫星影像进行匹配。随着全景交叉视图地

v理定位接近峰值性能，探索更实际的问题形式变得越KEYWORDS

7

0

1来越重要。现实世界的情景很少提供全景街景查询；图像定位，跨视角地理定位，视觉语言模型，图像检索

4相反，查询通常由未知相机参数拍摄的有限视场图像

0

7.组成。我们的工作重点是在这些限制条件下发现可达1介绍

0到的最佳性能，推动现有架构的极限。我们的方法首

5定位是移动机器人的一项基本要求，因为代理必须确

2先检索给定查询的候选卫星图像嵌入，然后通过一个

:定其位置才能执行分配的任务。这些通常依赖于Global

v重新排序阶段来选择性地提高顶部候选者的检索准确

iNavigationSatelliteSystems(GNSS)进行定位；然

x性。这种两阶段的方法使得即使在任务中固有的显著

r而，在城市峡谷或冲突区域中，由于信号阻挡、多径

a视角和尺度变化下也能实现更精确的匹配。通过实验，

效应或故意干扰的影响，这种方法变得不可靠。Cross-

我们展示了我们的方法实现了具有竞争力的结果——

ViewGeo-Localisation(CVGL)提供了一个强大的替

*Denotesequalauthorcontribution.代方案，通过将街道级别的图像与其出现在其中的相

应地理标记卫星