MultiLoc: 多视角引导的相对姿态回归，用于快速稳健的视觉重定位
计算机视觉与模式识别
2026-03-31 v1
摘要
相对姿态回归（RPR）在未见环境中的泛化性能良好，但由于成对且局部的空间视图，性能常受限。为此，我们提出MultiLoc，一个规模化训练的 novel 多视角引导 RPR 模型，为相对姿态回归提供全局一致的空间和几何理解。具体而言，我们的方法在单次前向传播中联合融合多个参考视图及其相关相机姿态，实现准确的零样姿态估计并具备实时效率。为可靠提供有信息的上下文，我们进一步提出基于可见性驱动的检索策略，用于几何相关的参考视图选择。MultiLoc 在视觉重定位任务上建立了新的基准，在包括 WaySpots、Cambridge Landmarks 和 Indoor6 在内的多个数据集上持续超越现有最先进（SOTA）相对姿态回归（RPR）方法。此外，MultiLoc 的姿态回归器在相对姿态估计方面展现出 SOTA 性能，在 MegaDepth-1500、ScanNet-1500 和 ACID 数据集上超越 RPR、特征匹配和非回归方法。这些结果表明 MultiLoc 在室内、户外和自然环境中具备稳健的域泛化能力。代码将公开释放。
引用
@article{arxiv.2603.27170,
title = {MultiLoc: Multi-view Guided Relative Pose Regression for Fast and Robust Visual Re-Localization},
author = {Nobel Dang and Bing Li},
journal= {arXiv preprint arXiv:2603.27170},
year = {2026}
}