← 返回 2026-09-07

AdaptVPR：面向鲁棒视觉位置识别的路由感知难正样本生成 AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place Recognition

Shunpeng Chen, Jingyi Zhang, Changwei Wang, Shengpeng Xu, Yukun Song, Xingtian Pei, Jinzhou Lin, Li Guo, Shibiao Xu 📅 2026-09-03 👍 3 2026-11-03 18:30
域偏移鲁棒性 度量学习 扩散模型 生成式数据增强 视觉位置识别 难正样本
arXiv HuggingFace PDF

路由感知的生成式增强框架，构建16万验证难正样本，提升VPR域偏移鲁棒性

前置知识

视觉位置识别（Visual Place Recognition, VPR）

给定一张查询图像，从大规模图像数据库中检索出同一或邻近地点拍摄的数据库图像，从而把长期定位转化为大规模图像检索问题。主流做法是用CNN或视觉基础模型提取全局描述子再做最近邻检索，正确匹配通常以25米地理阈值判定（MSLS还要求朝向差小于40度）。

本文的方法定位（训练数据增强）、全部实验协议和评价指标R@N都建立在这个检索框架之上，理解VPR才能理解为什么'同地点但外观不同'的样本是核心矛盾。

难正样本（Hard Positive）

指与锚点图像属于同一地点、但视觉外观差异很大（如雨天vs晴天、白天vs夜晚）的正样本对。它们在描述子空间中应当靠近，却因域移而难以靠近，是度量学习中最有信息量的监督信号。收集真实的同地点多条件图像成本极高。

本文的核心目标就是用扩散模型可控编辑来'制造'这类样本（AdaptCities数据集），全文围绕如何保证生成图像既是有效正样本又足够难展开。

域偏移（Domain Shift）

指训练数据与测试数据的分布不一致。在VPR中表现为同一地点在光照、天气、季节、动态遮挡下的外观变化甚至强于地点身份本身的变化，导致训练分布无法覆盖测试条件，检索性能骤降。

论文的问题定义、三个生成路由的划分（全局外观/局部遮挡/双路由）以及'挑战性基准上增益最大'的实验结论，全部围绕域偏移的不同形态展开。

度量学习与MultiSimilarity损失

VPR训练把同地点图像对拉近、不同地点推远。MultiSimilarity损失根据样本对的相似度动态加权正负对，是MixVPR、BoQ等主流方法的标准训练目标。本文不改动损失函数，只扩充每个锚点的正样本集合。

理解AdaptVPR的'模型无关、即插即用'设计——合成难正样本直接扩充批内正样本集 $P_q$，基线损失保持不变——需要知道正负对如何在损失中起作用。

局部特征匹配与几何一致性（SuperPoint + LightGlue + RANSAC）

SuperPoint自监督提取关键点及描述子，LightGlue用注意力机制高效匹配两图关键点，再用RANSAC估计单应矩阵 $H$ 并统计内点比例。内点率高说明两图的主导场景结构（建筑轮廓、道路拓扑、视角）一致。

这是AdaptVPR验证器的几何支柱：生成图像是否破坏了地点结构，靠匹配内点率 $s_{geo}$ 这个代理信号来把关，是全文防止'假正样本'污染训练的关键机制。

CLIP视觉编码器与余弦距离

CLIP的图像编码器把图像映射到与文本对齐的语义嵌入空间。两图CLIP特征的余弦距离可粗略度量语义/外观层面的差异，常用于评估风格迁移幅度或图像编辑的变化强度。

论文用 $s_{div} = 1 - \cos(\Phi_{CLIP}(I_{ref}), \Phi_{CLIP}(I_{gen}))$ 度量生成图像的外观多样性，与几何分共同构成双重验证门槛。

可控扩散编辑与VLM智能体

IC-Light专注于物理一致的光照重打光，Qwen-LightX2V支持文本指令引导的图像/视频编辑，Qwen3-VL等视觉语言模型可解析图像输出结构化属性。智能体式编辑进一步引入规划-执行-反思循环，用反馈迭代修正生成结果。

AdaptVPR把这三类组件组装成管线：VLM做场景理解和可编辑性评分，两个生成后端分别服务不同路由，反思循环把验证反馈转成prompt修正指令。

研究动机

VPR系统在实际部署中必须应对同一地点在光照、天气、季节和动态遮挡下的剧烈外观变化，而现有训练数据中同地点的外观多样性严重不足。真实重访数据（同一地点在不同天气、季节被再次拍到）采集昂贵，难以覆盖天气×光照×季节×遮挡的组合爆炸，导致模型在域偏移下性能骤降：本文实验中，强基线BoQ在重度遮挡的SF-XL-Occlusion上R@1仅43.4%，SALAD在夜间SF-XL-Night上仅46.6%，SALAD和BoQ在跨季节的Nordland*上分别只有76.0%和81.3%。传统数据增强（色彩抖动、裁剪、模糊、随机擦除）只能提供低层扰动，无法忠实复现雨夜、雪路、强反光或结构化前景遮挡这类复杂域移；早期GAN翻译方法（CycleGAN、ToDayGAN）受限于预定义的源-目标域，生成条件多样性不足。更关键的是，直接用通用编辑模型造数据有风险：看似逼真的雨夜街景或车辆插入仍可能改变建筑立面、道路拓扑、车道线等地点判别性线索，混入训练后会成为假正样本，向嵌入空间注入错误监督。

本文的目标是本文的目标是把'生成更多图像'转变为'生成有效的同地点难正样本'：在保持参考图像地点定义性结构（建筑轮廓、道路几何、车道线、相机视角）的同时，引入足够有挑战性的外观变化（天气、光照、时段）或局部可见性变化（车辆、行人遮挡），使生成图像在描述子空间中仍是正样本、但视觉上足够困难，从而在度量学习训练中显式扩展同地点外观流形。该框架需完全作用于训练数据层面：不改动任何VPR基线的骨干网络、聚合器、损失函数和推理流程，即插即用地集成到异构模型中；同时要把'地点身份漂移'的风险控制到可接受水平，保证生成的样本不引入有害监督，且最终数据规模足以支撑大规模训练。

与已有工作不同的是，已有生成式增强管线（QdaVPR、GIFT、DiffPlace等）大多遵循前馈范式：先批量生成、再事后筛选，存在两个未充分解决的问题。其一，不同域移类型需要不同编辑行为——天气、光照、时段应全局性地改变外观而保持空间布局，车辆行人等遮挡物应只修改局部区域而不重写背景几何，用单一静态策略处理所有图像会导致外观变化不足、结构过度修改或物体插入失真。其二，现有管线不利用失败特异的验证反馈去迭代修正失败候选，而对局部插入和复合编辑来说，验证信号本可以指示当前生成是'太保守''太激进'还是'几何不一致'。AdaptVPR的独特切入是三重解耦：用VLM场景理解回答'这张图能做什么编辑'（可编辑性评分），用规则路由回答'该做哪种编辑'（全局/局部/双路由），用几何-多样性双验证回答'做得合不合格'，并用选择性反思闭环回答'失败了怎么改'。

核心方法

直觉上，一个好的VPR难正样本要同时满足两个互补目标：几何一致性——主导场景布局、建筑结构、道路几何和视角与参考图充分一致，降低身份漂移风险；外观多样性——在天气、光照、时段或局部可见性上引入有意义的变化，提供有信息量的监督。AdaptVPR把数据集扩展形式化为约束生成问题而非自由图像合成，流水线分五步：首先用Qwen3-VL-4B-Instruct解析每张参考图，输出结构化能力字典（天气可编辑性评分 $s_{weather}$、遮挡可编辑性评分 $s_{occ}$、不适合生成的标志 $b_{bad}$）；然后规则调度器据此在全局外观、局部遮挡、双路由、跳过四条路由中做确定性选择；接着路由专属生成器合成候选——全局外观路由用IC-Light改天气/光照/时段，局部遮挡和双路由用Qwen-LightX2V插入动态遮挡物；每个候选经VPR导向的几何-多样性验证门槛评估；失败的局部/双路由候选可将验证反馈转化为prompt修复指令、在预算内重生成，全局候选则一次生成快速拒绝。通过门槛的样本汇入AdaptCities数据集，与原训练集合并用于下游训练。

核心创新是把生成增强从'无约束合成+被动过滤'改造为'路由感知+闭环验证'的主动构造过程，与已有方法的本质区别有三点。第一，路由感知解耦：明确论证全局外观变化与局部动态遮挡的物理特性不同，应使用不同生成后端（IC-Light擅长大尺度光照重打光，Qwen-LightX2V擅长文本引导插入）和不同验证策略，而不是迫使所有样本通过单一编辑流程。第二，非对称反思机制：全局外观路由采用一次性生成+快速拒绝（编辑可控性强、失败无修复价值），而局部遮挡和双路由候选允许最多 $K=3$ 轮验证反馈驱动的prompt精炼重生成（插入式编辑不确定性大、反馈可指导修正），差异化设计兼顾数据质量与计算成本。第三，VPR导向验证：接受标准不是图像逼真度或文本对齐度，而是几何一致性与外观多样性，直接对应'仍是同一地点'和'足够难'这两个训练需求——这与Fig.1中展示的通用编辑方法产生结构漂移、身份漂移、不受控插入的失败模式形成直接对照。

方法步骤详情

步骤1 场景理解：VLM按 $S = \mathrm{VLM}(I_{ref} \mid M_{schema})$ 输出结构化场景状态（含 $s_{weather}$、$s_{occ}$、$b_{bad}$），并给出目标条件、遮挡物类型/位置与初始prompt。步骤2 规则路由：$s_{weather}$ 超阈值则全局路由可行，$s_{occ}$ 超阈值则局部可行，两者均满足则双路由可行，$b_{bad}$ 为真则跳过；多路由可行时按 $S_r = w_r \Delta_r + \lambda c_r$（$\Delta_r = \rho_r(N+1) - n_r$ 为配额缺口）选择。步骤3 路由生成：全局路由用IC-Light改天气/光照/时段，prompt约束原视角、道路布局与建筑结构；局部/双路由用Qwen-LightX2V插入遮挡物，类型、位置、尺度、可见性以文本约束表达。步骤4 双重验证：$s_{geo}$ 为SuperPoint+LightGlue匹配后RANSAC单应性内点率，$s_{div} = 1 - \cos(\Phi_{CLIP}(I_{ref}), \Phi_{CLIP}(I_{gen}))$；阈值 $\tau_{geo}=0.78/0.82/0.72$、$\tau_{div}=0.15/0.09/0.20$（雨+车双路由 $\tau_{div}=0.12$）。步骤5 选择性反思：失败的局部/双路由候选按模板重写prompt——多样性不足则加强视觉变化，几何分下降则弱化编辑并加结构锚点，最多 $K=3$ 轮。步骤6 数据构建与训练：从GSV-Cities的23个城市配额采样88,989张参考图，产出160K验证难正样本（带审计元数据 $m_i$），继承父级地理标签后与原训练集合并，各基线保持原始损失不变。

技术新颖性

技术新颖性体现在四个层面。任务层面：首次把生成增强明确形式化为同地点难正样本的约束构造问题，并用Fig.1直观对比通用编辑方法（Text-guided、ControlNet-Canny、GLIGEN）产生结构漂移、身份漂移和不受控插入的具体失败模式，把'生成质量'重新定义为'训练有效性'。方法层面：路由感知调度把VLM输出的图像相关可编辑性评分转化为确定性规则决策，比端到端学习路由更可解释、可审计，且配额控制保证路由分布均衡。验证层面：作者诚实地承认自动指标无法完全认证地理身份，将几何一致性定位为降低结构漂移风险的代理信号，并按路由物理特性差异化设定阈值——全局路由几何阈值适中（0.78）但要求中等多样性，局部路由最严（0.82），双路由最宽容（0.72）以容忍天气变化减少局部特征对应，这种'按编辑类型设计验证策略'的思想是新的。工程层面：全程结构化记录（场景状态、调度动作、验证反馈、反思轮次）使160K样本完全可追溯，为生成式训练数据的可靠性审计提供了范式。

Overview of AdaptVPR. A VLM first parses each reference image and estimates its scene attributes and editability, after which a rule-based scheduler selects the Global Appearance, Local Occlusion, Dual, or Skip Route according to the parsed scene state and routing rules.
Fig. 3: Overview of AdaptVPR. A VLM first parses each reference image and estimates its scene attributes and editability, after which a rule-based scheduler selects the Global Appearance, Local Occlusion, Dual, or Skip Route according to the parsed scene state and routing rules.
Example of the structured agent record used in AdaptVPR. Scene diagnostics and the scheduled generation action are recorded during planning and routing, while verification feedback is appended after candidate generation to determine acceptance or guide prompt refinement.
Fig. 4: Example of the structured agent record used in AdaptVPR. Scene diagnostics and the scheduled generation action are recorded during planning and routing, while verification feedback is appended after candidate generation to determine acceptance or guide prompt refinement.
Prompt refinement template used to convert verification feedback into the next generation instruction for the Local Occlusion and Dual Routes.
Fig. 5: Prompt refinement template used to convert verification feedback into the next generation instruction for the Local Occlusion and Dual Routes.
Qualitative examples of AdaptVPR under three generation routes. (a) The Global Appearance Route introduces scene-level changes in weather, illumination, and time of day through one-shot generation while preserving place structure. (b) The Local Occlusion Route introduces dynamic foreground occlusions and refines failed candidates using verification feedback. (c) The Dual Route combines global appearance changes with local occlusions.
Fig. 7: Qualitative examples of AdaptVPR under three generation routes. (a) The Global Appearance Route introduces scene-level changes in weather, illumination, and time of day through one-shot generation while preserving place structure. (b) The Local Occlusion Route introduces dynamic foreground occlusions and refines failed candidates using verification feedback. (c) The Dual Route combines global appearance changes with local occlusions.

实验结果

实验覆盖10个基准、9个方法。标准基准（Table III）：4基线×5数据集共20个组合R@1全部正增益——SALAD+AdaptVPR在Pitts30k 93.2(+0.7)、MSLS-val 93.5(+1.3)、Tokyo24/7 94.9(+0.3)、Nordland 90.2(+0.5)、SVOX 98.6(+0.4)；BoQ在Nordland从90.6跃升至95.9(+5.3)。挑战性域移（Table IV）：BoQ在SF-XL-Occlusion从43.4升至52.6，R@1增益9.2%为全文最大；Nordland*跨季节上BoQ +8.3（81.3→89.6）、EDTformer +8.1、SALAD +6.0（76.0→82.0）、ImAge +4.6；遮挡场景EDTformer与ImAge各+6.6；夜间四基线+1.7%至+3.2%；而Pitts250k仅−0.5%至+0.4%，印证增益集中在强域移。消融（Table V/VI）：单独使用任一过滤器多数指标不如不过滤，联合过滤才最优（SF-XL-Occlusion比不过滤+2.6%，保留率65.6%，训练时间14.6→13.8分钟/epoch）；三路由组合整体最强，局部路由单独把SF-XL-Occlusion从50.0提至52.6。流程与泛化（Table VII/VIII/IX）：完整流程接受率50.8%→65.6%（代价2.24次尝试、46.5秒/样本）；DINOv2-B与DINOv3-B均一致提升；8:1真实:合成比例最佳（Pitts30k 93.0→93.8，MSLS-val 93.2→94.3），比例过高反而掉点。Fig.6显示训练损失更高但收敛稳定，验证R@1在多数epoch更高。

R@1 gains from AdaptVPR across representative VPR methods.
Fig. 2: R@1 gains from AdaptVPR across representative VPR methods.
Training dynamics of BoQ with and without AdaptVPR over the first 20 epochs. AdaptVPR produces higher training loss, reflecting increased difficulty from generated same-place hard positives, while optimization remains stable and Pitts30k-val R@1 stays higher during most of training.
Fig. 6: Training dynamics of BoQ with and without AdaptVPR over the first 20 epochs. AdaptVPR produces higher training loss, reflecting increased difficulty from generated same-place hard positives, while optimization remains stable and Pitts30k-val R@1 stays higher during most of training.
Additional qualitative verification examples from the Global Appearance and Local Occlusion Routes. Each example shows the source and generated images together with local feature correspondences, geometric consistency score sgeo, appearance diversity score sdiv, and geometric inlier and outlier counts.
Fig. 8: Additional qualitative verification examples from the Global Appearance and Local Occlusion Routes. Each example shows the source and generated images together with local feature correspondences, geometric consistency score sgeo, appearance diversity score sdiv, and geometric inlier and outlier counts.
查看结构化数据
任务指标本文基线提升
SF-XL-Occlusion（重度前景遮挡检索） R@1 (%) 52.6（BoQ+AdaptVPR） 43.4（BoQ） +9.2
Nordland*（跨季节，夏查冬库） R@1 (%) 89.6（BoQ+AdaptVPR） 81.3（BoQ） +8.3
Nordland*（跨季节，EDTformer） R@1 (%) 81.2（EDTformer+AdaptVPR） 73.1（EDTformer） +8.1
Nordland*（跨季节，SALAD） R@1 (%) 82.0（SALAD+AdaptVPR） 76.0（SALAD） +6.0
SF-XL-Occlusion（ImAge） R@1 (%) 63.2（ImAge+AdaptVPR） 56.6（ImAge） +6.6
Nordland（冬查夏库，序列对齐） R@1 (%) 95.9（BoQ+AdaptVPR） 90.6（BoQ） +5.3
SF-XL-Night（夜间检索） R@1 (%) 49.8（SALAD+AdaptVPR） 46.6（SALAD） +3.2
MSLS-val（30城混合条件） R@1 (%) 93.5（SALAD+AdaptVPR） 92.2（SALAD） +1.3
Pitts30k-test（视角变化） R@1 (%) 93.2（SALAD+AdaptVPR） 92.5（SALAD） +0.7

局限与改进

作者承认两点局限：$s_{geo}$ 只是地点身份的代理指标，无法完全保证生成图像保持原地点；框架依赖预定义路由和固定验证阈值，在未见环境中可能限制灵活性。我的补充观察：第一，验证器在极端条件下本身不可靠——SuperPoint+LightGlue在雨夜、暴雪下匹配点天然锐减，$s_{geo}$ 低可能反映'变化剧烈'而非'结构破坏'，几何过滤可能对最有价值的极端天气样本形成逆向选择（Table I中夜间全局样本仅占3.7%或与此有关）。第二，离线生成成本不低：平均46.5秒/样本、34.4%候选被拒，160K样本意味着数千GPU时投入。第三，所有实验限于城市街景域，室内、水下、航拍未验证，阈值与路由规则的可迁移性存疑。第四，并非所有组合都受益——SALAD在SF-XL-Occlusion增益为0.0、BoQ在Pitts250k下降0.5%。第五，论文未与最相关的生成增强方法（GIFT、QdaVPR、DiffPlace）做直接定量对比，只在Table VII与自身的一次性随机路由版本比较，外部基线缺失使核心结论主要靠内部消融支撑。

独立分析的弱点

弱点一：验证信号在极端条件下有系统性偏差。雨夜、暴雪恰是VPR最需要的难正样本，但局部特征匹配在这类条件下最脆弱，几何过滤可能'越难越容易被拒'。改进方向：引入不依赖稀疏特征点的第二几何代理，如语义分割一致性（建筑/道路类别布局对齐）或深度图一致性。弱点二：固定阈值缺乏可迁移性，$\tau_{geo}=0.78/0.82/0.72$ 与 $\tau_{div}=0.15/0.09/0.20$ 是街景数据上的手工经验值，换到室内或非城市域需重新整定。改进方向：用少量真实重访对自动校准阈值。弱点三：生成-验证成本高（平均46.5秒/样本、2.24次尝试），失败样本的GPU时间完全浪费。改进方向：级联验证——先用廉价CLIP分筛掉明显失败者再做特征匹配，或蒸馏轻量生成器初筛。弱点四：合成数据的分布偏差未量化，论文没有报告错误接受样本（假正样本漏网率）的人工抽检估计，也未分析合成样本在长尾地点上的覆盖。改进方向：抽样审计并发布假正率数据。弱点五：缺少与GIFT、QdaVPR等生成增强同行在同一基线上的横向对比，难以判断其相对性价比。

未来方向

作者提出的方向包括：更自适应的路由调度与验证策略、更强的地点一致性信号、更高效的反馈机制，通过轻量生成、早期拒绝或选择性精炼降低合成数据构建成本，以及把AdaptVPR扩展到更广的地理环境和其他传感模态（论文引用了语言-视觉VPR和多模态街景基准）。基于其成果还可自然延伸：第一，用真实重访数据集（如MSLS的时间序列对）自动校准验证阈值，使验证器随目标域自适应，消除手工调参；第二，让验证器与下游VPR模型协同进化——用当前VPR模型的检索反馈作为辅助验证信号，把'数据生成'与'表示学习'联合优化，这也是Fig.6中'训练损失更高'现象的自然推论；第三，引入3D先验（深度估计、NeRF/3DGS重建或结构一致性检查）替代或补充脆弱的2D特征匹配，从几何上认证结构保持；第四，从单帧扩展到序列级生成，为视频VPR构造连续外观变化片段，支撑时序一致性训练；第五，在自动驾驶、机器人导航等下游任务上验证合成难正样本对端到端定位精度的迁移价值，而不仅是检索基准上的R@N。

复现评估

复现条件较好。代码与数据已在GitHub公开（github.com/chenshunpeng/AdaptVPR），源图像池GSV-Cities公开，160K合成难正样本AdaptCities可直接下载——跳过生成阶段即可复现全部训练实验。基线均用官方实现，关键超参数完整：如BoQ用AdamW、学习率 $1\times10^{-4}$、batch size 128、训练40 epochs；全部验证阈值与反思预算 $K=3$ 均在论文中列明；评估遵循标准Deep Visual Geo-Localization Benchmark协议，10个数据集有公开下载工具。主要成本在生成侧：从零重建管线需编排Qwen3-VL-4B、IC-Light、Qwen-LightX2V、SuperPoint/LightGlue多个组件，且生成平均46.5秒/样本；作者的全部实验在单张NVIDIA RTX PRO 6000上完成。直接用发布的AdaptCities训练单个基线约需数十GPU小时（BoQ为40 epochs、约13.8分钟/epoch），总体复现难度中等：训练实验容易，完整重建生成管线需较多工程投入。

论文图表

VPR-oriented hard positive generation. Given the same reference image and seed instruction, generic editing methods may introduce structure drift, identity drift, or uncontrolled object insertion. AdaptVPR decomposes generation into the Global Appearance Route, Local Occlusion Route, and Dual Route, and uses VPR-oriented verification to retain visually diverse yet geometrically consistent same-place positives.
Fig. 1: VPR-oriented hard positive generation. Given the same reference image and seed instruction, generic editing methods may introduce structure drift, identity drift, or uncontrolled object insertion. AdaptVPR decomposes generation into the Global Appearance Route, Local Occlusion Route, and Dual Route, and uses VPR-oriented verification to retain visually diverse yet geometrically consistent same-place positives.

同一张参考图和同一条种子指令下，对比多种编辑方式的结果：Text-guided Edit产生结构漂移，ControlNet-Canny产生风格偏差，GLIGEN产生结构破坏或身份漂移、不受控插入；而AdaptVPR的三条路由（全局外观、局部遮挡、双路由）在验证机制配合下产出'视觉多样且几何一致'的有效难正样本，局部遮挡与双路由还能通过反馈精炼的反思循环改进。

这张图一图点明全文动机：为什么逼真的生成图像不一定适合VPR训练（通用编辑的三种失败模式），以及AdaptVPR的分路由设计分别解决什么问题，是理解论文立意的第一入口。

Fig. 9: Additional qualitative verification examples from the Dual Route. These examples combine local occlusions with global appearance changes such as rain, snow, illumination variation, and nighttime conditions.

双路由的验证案例集：展示局部遮挡与全局天气/光照变化（雨、雪、光照、夜间）叠加的复合样本，同样附 $s_{geo}$、$s_{div}$ 分数与几何内点/外点计数，说明最宽容的几何阈值（0.72）下复合域移样本仍保持结构对应。

双路由是AdaptCities中占比最高（40%）的路由，这组图验证了'复合难样本可在结构保持前提下生成'这一关键主张，支撑了其最大的下游增益。

Table I: Composition of AdaptCities by generation route and subtype.

AdaptCities数据集构成表：总计160,000张验证合成难正样本，其中全局外观路由50,239张（31.4%，含阴天29,607、雪9,367、夜间5,907、其他5,358），局部遮挡路由45,804张（28.6%，含路边停车遮挡21,840、道路交通遮挡13,285、其他10,679），双路由63,957张（40.0%，含雨夜+车辆24,214、雪+车辆21,748、其他17,995）。

给出数据集的精确规模与分布：既说明三种变化类型的覆盖比例，也暴露夜间样本仅3.7%的偏斜，是评估数据集构成合理性和复现训练配比的基础。

Table II: Statistics and dominant visual variations of the benchmark datasets used for evaluation. The three SF-XL query sets share the same large-scale database.

十个评测基准的统计表：Pitts30k-test（视角，1万库图/6816查询）、MSLS-val（混合条件）、Tokyo24/7（昼夜）、Nordland（季节）、SVOX（天气/光照）、Pitts250k-test（大规模城市，83952库图）、Nordland*（跨季节）、SF-XL-v1/Occlusion/Night（视角外观/遮挡/夜间，共享280万库图）。

界定实验的评价范围与各基准考察的域移类型，帮助读者把Table III/IV中的结果与'哪种变化被测到'对应起来，理解增益分布的差异。

Table III: Main comparison with representative VPR methods on multiple benchmark datasets. '+AdaptVPR' denotes training the corresponding method with our generated hard positives while keeping its model configuration unchanged.

主对比表：CosPlace、MixVPR、EigenPlaces、SelaVPR、FoL、SALAD、BoQ、EDTformer、ImAge在Pitts30k、MSLS-val、Tokyo24/7、Nordland、SVOX上的R@1/5/10。+AdaptVPR后SALAD五项分别+0.7/+1.3/+0.3/+0.5/+0.4，BoQ在Nordland +5.3（90.6→95.9），ImAge在Nordland +1.8，20个基线-数据集组合全部正增益。

核心结果表：证明AdaptVPR跨最优传输、查询注意力、解码器、可学习token等异构聚合架构一致有效，且强基线仍能受益，是'模型无关性'主张的直接证据。

Table IV: Comparison under challenging domain conditions including large-scale retrieval, cross-season changes, occlusion, and nighttime appearance variations.

挑战条件对比表：Pitts250k-test、Nordland*、SF-XL-v1/Occlusion/Night。BoQ在SF-XL-Occlusion +9.2（43.4→52.6）、Nordland* +8.3（81.3→89.6）；EDTformer Nordland* +8.1、Occlusion +6.6；SALAD Nordland* +6.0、v1 +4.4、Night +3.2；ImAge Nordland* +4.6、Occlusion +6.6；唯一下降是BoQ在Pitts250k -0.5。

全文最重要的结果表：域移越强增益越大的规律在此最明显，包含全文最大增益9.2%，直接支撑论文标题中'鲁棒VPR'的核心主张。

Table V: Ablation study of synthetic quality filtering in AdaptVPR. 'Retained ratio' denotes the percentage of candidates retained from the generated candidate pool after filtering.

质量过滤消融表（BoQ基线）：不过滤（保留100%）、仅几何过滤（81.7%）、仅多样性过滤（83.7%）、联合过滤（65.6%）四种设置在五个基准上的表现。单独使用任一过滤器多数指标不如不过滤（如仅几何时SF-XL-Occlusion降至48.7），联合过滤才全面最优（SF-XL-Occlusion 52.6、SF-XL-v1 91.5），训练时间还从14.6降至13.8分钟/epoch。

回答'过滤是否必要'这一关键问题并揭示反直觉发现：两个看似冗余的过滤条件缺一不可，样本质量比数量更重要，是方法有效性的核心消融。

Table VI: Ablation study of different generation routes in AdaptVPR on challenging VPR benchmarks.

路由消融表（BoQ基线）：使用全部未过滤合成样本、仅全局、仅局部、仅双路由、三路由组合的对比。局部路由单独把SF-XL-Occlusion R@1从50.0提升至52.6，验证其对遮挡场景的针对性；三路由组合在全部五个基准上最强（Pitts30k 93.8、MSLS 94.3、Night 50.0、Occ 52.6、v1 91.5）。

证明三条路由提供互补的视觉变化且组合最优，是'路由感知解耦'这一核心设计合理性的直接实验证据。

Table VII: Analysis of the complete generation procedure in AdaptVPR. We compare a one-shot baseline with the full AdaptVPR procedure, reporting the average number of attempts, end-to-end generation time, and candidate acceptance rate (AR).

完整流程分析表：一次性随机路由基线平均1.00次尝试、21.0秒、接受率50.8%；完整AdaptVPR（自适应路由+结构化prompt+验证反馈+重复生成）平均2.24次尝试、46.5秒、接受率65.6%。

量化了'闭环反思+自适应路由'的净收益：接受率提升14.8个百分点，同时明确标注了近2.2倍的生成时间代价，帮助读者权衡质量与成本。

Table VIII: Generalization of AdaptVPR across vision foundation backbones. We compare DINOv2-B and DINOv3-B under their corresponding training and inference resolutions on Pitts30k, MSLS-val, and Tokyo24/7.

骨干泛化表：SALAD分别在DINOv2-B（88.0M参数）和DINOv3-B（87.1M参数）上加AdaptVPR。DINOv2-B上R@1增益+0.7（Pitts30k）、+1.3（MSLS-val）、+0.3（Tokyo24/7）；DINOv3-B上+0.5、+1.3、+0.3，且MSLS-val的R@5/R@10也提升1.5%/1.4%。

说明增益不依赖于特定基础模型版本，AdaptVPR作为数据层增强可随骨干升级持续受益，支撑其通用性主张。

Table IX: Effect of the real-to-synthetic sampling ratio in AdaptVPR. The full verified synthetic pool is available in all mixed settings, while only the batch composition is varied.

真实:合成采样比例消融表：Real-only、8:1、4:1、2:1、1:1五种批内配比。8:1在所有基准上R@1最优（Pitts30k 93.8、MSLS-val 94.3、SF-XL-v1 91.5、Night 50.0、Occ 52.6）；提高合成频率到4:1及以下反而下降，SF-XL-v1在2:1、1:1时甚至低于Real-only的89.2。

给出实用的工程结论：合成数据的价值在于信息量而非数量，8:1是最佳平衡点；该表对任何想复用合成增强的实践者都有直接指导意义。

相似论文推荐

RoboVIP：视觉身份提示的多视角视频生成增强机器人操作 🎯 63.1%
视频推理模型准备好「走出户外」了吗？ 🎯 60.8%
视觉个性化图灵测试评估框架 🎯 59.1%
VLS：通过视觉语言模型引导预训练机器人策略 🎯 58.9%
视频生成强化学习中的流形感知探索方法 🎯 58.8%