BGG：通过视觉基础模型适应地理定位来弥合跨视图图像之间的几何间隙

跨视图图像（例如无人机和卫星视图）之间的几何差异显着增加了跨视图地理定位（CVGL）的挑战，CVGL 旨在通过图像检索来获取图像的地理定位。为了进一步增强 CVGL 性能，本文提出了一种参数有效的自适应框架，用于基于视觉基础模型（VFM）（例如 DINOv3）弥合图像之间的几何间隙，称为 BGG。 BGG不仅有效地利用了VFM的通用视觉表示并从跨视图图像中捕获鲁棒且一致的特征，而且还利用了VFM的泛化能力，显着提高了CVGL的性能。它主要包含多粒度特征增强适配器（MFEA）和频率感知结构聚合（FASA）模块。具体来说，MFEA通过多级扩张卷积增强了特征的尺度适应性和视点鲁棒性，以较小的训练成本有效地弥合了跨视图几何差距。此外，考虑到 [CLS] 词元缺乏精确图像检索和定位的空间细节，FASA 模块在频域中调制补丁词元并执行自适应聚合以增强局部结构特征。最后，BGG 将增强的局部特征与 [CLS] 标记融合，以获得更准确的 CVGL。在 University-1652 和 SUES-200 数据集上进行的大量实验表明，BGG 比其他方法具有显着优势，并以较低的训练成本实现了最先进的定位性能。