ULF-Loc：基于无偏地标特征的 3D Gaussian Splatting 鲁棒视觉定位

视觉定位是增强现实和自主导航的核心技术。近期的方法将 3D Gaussian Splatting（3DGS）的高效渲染与基于特征的定位相结合。这些方法依赖于 2D 查询特征与 3D Gaussian 特征场之间的直接匹配，但由于学习到的 Gaussian 特征中固有的偏差，这通常会导致误匹配。我们从理论上分析了 3DGS 中的特征学习过程，揭示了广泛采用的 $\alpha$ 混合优化本质上给 3D 点特征引入了偏差。这种偏差源于单个 Gaussian 与其相邻 Gaussian 之间的纠缠，使得学习到的特征不适用于精确匹配任务。基于这些发现，我们提出 ULF-Loc，一个无偏地标特征框架，它用几何加权特征融合取代了有偏特征优化。我们进一步引入关键点一致性地标采样以选择可靠的 Gaussian，并引入局部几何一致性验证以拒绝由渲染伪影引起的误匹配。在 Cambridge Landmarks 数据集上，ULF-Loc 与现有最先进方法相比将中位平移误差均值降低了 17%，同时实现了更高的效率，训练时间仅为 STDLoc 的 1/10，GPU 显存占用仅为 1/6。