摘要

全球视觉地理定位预测图像在地球上的拍摄位置。由于图像在可定位精度上存在差异，这一任务本质上具有相当大的不确定性。然而，现有的方法大多是确定性的，忽视了这一方面。本文旨在弥合传统地理定位与现代生成方法之间的差距。我们提出了一种基于扩散和黎曼流匹配（Riemannian flow matching）的生成式地理定位方法，其中去噪过程直接在地球表面进行。我们的模型在三个视觉地理定位基准数据集上取得了最先进的性能：OpenStreetView-5M、YFCC-100M 和 iNat21。此外，我们引入了概率视觉地理定位任务，即模型预测所有可能位置的概率分布而不是单一的位置点。为此，我们提出了新的评估指标和基线方法，展示了基于扩散的方法的优势。代码和模型将公开发布。