A2GC：面向局部聚合描述子的非对称聚合与几何约束
计算机视觉与模式识别
2026-02-02 v2
摘要
视觉局部地点识别（VPR）旨在利用视觉线索将查询图像匹配至数据库中的图像。当前方法通过聚合深度主干特征以形成全局描述子。基于最优输运的聚合方法将特征到簇的分配问题形式化为输运问题，但标准 Sinkhorn 算法对源目标边际进行对称处理，限制了在图像特征与簇心分布差异显著时的数据适应性。我们提出一种具几何约束的非对称聚合 VPR 方法，称为 GC-VPR。该方法采用行列归一化平均与独立边际校准，实现适应视觉局部地点识别中分布差异的非对称匹配。通过可学习坐标嵌入引入几何约束，计算兼容性得分并与特征相似度融合，从而促进空间邻近特征聚集至同一簇，增强空间感知。在 MSLS、NordLand 与 Pittsburgh 数据集上实验结果表明，方法在匹配精度与鲁棒性方面表现优异，验证了其有效性。
引用
@article{arxiv.2511.14109,
title = {A2GC: Asymmetric Aggregation with Geometric Constraints for Locally Aggregated Descriptors},
author = {Zhenyu Li and Tianyi Shang},
journal= {arXiv preprint arXiv:2511.14109},
year = {2026}
}
备注
8 pages, 4figures