Img2Loc: 通过多模态基础模型和基于图像检索增强的生成，重新审视图像地理定位
Img2Loc 是一个采用 GPT4V 或 LLaVA 等大型多模态模型进行检索增强生成的创新系统，通过重新定义图像地理定位作为文本生成任务，它不仅在 Im2GPS3k 和 YFCC4k 等基准数据集上超过了先前最先进的模型的性能，而且在没有任何模型训练的情况下做到了这一点。
我们提出了一种新型的神经网络 Text2Loc，通过自然语言描述实现了基于3D点云定位，并解释了点与文本之间的语义关系。使用分层Transformer和最大池化捕获了文本提示之间的关系动态。提出了一种无匹配精细定位方法，提升了位置预测的准确性。实验证明，Text2Loc在KITTI360Pose数据集上超过了当前最先进技术，定位准确度提升了2倍。
