基于不确定性引导的分区与增强：用于Robust跨视图地理定位的PAUL

跨视图 geo-localization 是 UAV navigation、event detection 和 aerial surveying 的关键任务，因为它能够匹配 drone-captured 和 satellite 图像。大多数现有方法通过 embed 多模态数据到 joint feature space 来 maximize 配对图像的相似性。然而，这些方法通常假设训练时配对图像的 perfect alignment，这在现实场景中很少成立。实际情况下，urban canyon effects、electromagnetic interference 和 adverse weather 常常导致 GPS drift，从而引起 system alignment shift，使得只有部分配对存在于配对图像之间。尽管这种 source of noisy correspondence 在实际中十分常见，但在当前 research 中受到有限关注。在本文中，我们正式引入并解决 Noisy Correspondence on Cross-View Geo-Localization (NC-CVGL) 问题，旨在弥合理想 benchmark 与实际应用之间的差距。为此，我们提出 PAUL (Partition and Augmentation by Uncertainty Learning)，一个 novel 框架，通过 uncertainty-aware co-augmentation 和 evidential co-training 基于估计的数据不确定性对 training data 进行 partition 和 augmentation。具体而言，PAUL selectively augments 来自 high correspondence confidence 区域，并利用 uncertainty estimation 来 refine feature learning，从而有效抑制来自 misaligned pairs 的 noise。与传统 filtering 或 label correction 不同，PAUL 利用 data 不确定性和 loss discrepancy 进行 targeted partition 和 augmentation，从而为 noisy samples 提供 robust supervision。Comprehensive experiments validate PAUL 的各个 component 的有效性，该方法在 various noise ratios 下 consistently 优于 other competitive noisy-correspondence-driven methods。