论文页面 - CIPER: 跨视角图像检索与姿态估计的统一框架

来源：https://huggingface.co/papers/2606.05011

摘要

CIPER 是一个统一的跨视角地理定位框架，能够同时执行城市级检索和精确的三自由度姿态估计，其核心是共享的 Transformer 编码器和双向姿态解码器。

跨视角地理定位（https://huggingface.co/papers?q=Cross-view%20geo-localization）通过将地面图像与航拍图像数据库进行匹配来估计其地理位置。现有方法要么进行大规模检索（https://huggingface.co/papers?q=large-scale%20retrieval），要么进行精确姿态估计（https://huggingface.co/papers?q=precise%20pose%20estimation），但无法同时兼顾两者：基于检索的方法能够实现大范围搜索，但牺牲了定位精度；而姿态估计方法仅在狭窄的搜索空间内达到高精度。简单地将这些流程级联会导致误差传播和特征表示不一致。我们将跨视角地理定位（https://huggingface.co/papers?q=cross-view%20geo-localization）形式化为一个统一问题，要求同时实现城市级检索和精确的三自由度姿态估计。为此，我们提出了 CIPER（跨视角图像检索与姿态估计 Transformer），这是一种单一的架构，通过互利特征学习联合执行两项任务。CIPER 使用共享的 Transformer 编码器（https://huggingface.co/papers?q=transformer%20encoder）和任务特定标记（https://huggingface.co/papers?q=task-specific%20tokens）来解耦全局检索特征与空间定位线索。为了弥合地面视角与航拍视角之间的巨大领域差距，我们引入了一个双向 Transformer 姿态解码器（https://huggingface.co/papers?q=two-way%20transformer%20pose%20decoder），它利用地面特征作为空间查询进行双向交叉注意力（https://huggingface.co/papers?q=cross-attention）计算。此外，一种集合预测策略（https://huggingface.co/papers?q=set%20prediction%20strategy）进一步实现了在统一多任务目标（https://huggingface.co/papers?q=multi-task%20objective）下的稳定三自由度回归。在 VIGOR、KITTI 和 Ford Multi-AV 数据集上的实验展示了其竞争力的性能，尤其是在有限视场角和任意朝向条件下。代码已开源：https://github.com/yurimjeon1892/CIPER。

查看 arXiv 页面（https://arxiv.org/abs/2606.05011）查看 PDF（https://arxiv.org/pdf/2606.05011）GitHub 0（https://github.com/yurimjeon1892/CIPER）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.05011）

在您的 agent 中获取本文：

hf papers read 2606.05011

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 0

暂无模型关联本文

请在模型 README.md 中引用 arxiv.org/abs/2606.05011 以在此页面建立链接。

引用本文的数据集 0

暂无数据集关联本文

请在数据集 README.md 中引用 arxiv.org/abs/2606.05011 以在此页面建立链接。

引用本文的 Spaces 0

暂无 Space 关联本文

请在 Space README.md 中引用 arxiv.org/abs/2606.05011 以在此页面建立链接。

包含本文的收藏 0

暂无收藏包含本文

请将本文添加到一个收藏（https://huggingface.co/new-collection）中以在此页面建立链接。