超越 2D 匹配：用于几何感知跨视图对象地理定位的统一单级框架

跨视图对象地理定位 (CVOGL) 旨在从地理标记参考图像（例如卫星）内的查询视图（例如地面或无人机）定位目标对象。现有方法严重依赖 2D 外观匹配，并受到缺乏几何元数据、多样化提示和标准视场图像的有限数据集的限制。为了解决这些相互交织的挑战，我们首先引入 \dataset，这是一个大规模、高保真建筑数据集，包含超过 220,000 个地面卫星和无人机卫星对。它提供多模式提示（点、框、掩模）和相机姿势，以实现灵活的目标参考和显式空间建模。此外，我们提出了一种新颖的单阶段几何感知地理定位框架（GAGeo），该框架建立在排列等变 3D 基础模型 $π^3$ 之上。通过无缝集成视觉特征、参考提示和可学习的任务标记，我们的模型适应了继承的 3D 先验，在单个前向传递中联合预测边界框、分割掩模和相机姿势。此外，我们引入了一种对比损失，利用卫星视图作为通用锚点，隐式对齐地面和无人机表示，以实现零样本地面到无人机定位，而无需三元组训练数据。大量的实验表明，我们的方法明显优于最先进的方法，在未见过的场景和新颖的交叉视图设置中表现出卓越的泛化能力。