AdaptVPR：路径感知的困难正样本生成用于鲁棒视觉位置识别

要旨

Visual Place Recognition (VPR) は、クエリ画像を、同一または近傍の場所のデータベース画像を検索することによって位置特定するタスクである。しかし、その頑健性は、照明、天候、季節変化、動的遮蔽によって生じるドメインシフトにより、しばしば損なわれる。その要因の一つは、既存の訓練データにおいて同一場所の外観多様性が限られていることである。この問題に対処するため、我々はAdaptVPRを提案する。AdaptVPRは、頑健なVPR訓練のための同一場所のハードポジティブを構築する、経路認識型生成的拡張フレームワークである。AdaptVPRはまず、視覚言語モデルを用いてシーン属性を解析し、編集可能性を推定する。一方、ルールベースのスケジューラは、編集可能性スコアとリスク制約に基づいて生成経路を決定する。生成プロセスは、3つの相補的な経路に分解される。グローバル外観経路は、天候、照明、時刻におけるグローバルなシーン変化を導入する。局所遮蔽経路は、妥当な動的遮蔽物を挿入する。デュアル経路は、両タイプの摂動を組み合わせ、より困難な外観シフトを生成する。各生成候補は、幾何学的整合性と外観多様性に基づくVPR指向の検証スキームによって評価される。これにより、十分な外観変動を確保しつつ、構造的ドリフトのリスクを低減する。グローバル候補は一度だけ生成され、検証に失敗した場合は棄却される。一方、局所遮蔽候補とデュアル候補は、検証フィードバックを用いて限定的なプロンプト改良と再生成が行われる。本フレームワークを用いて、160K個の検証済み合成同一場所ハードポジティブを含むAdaptCitiesを構築した。複数のVPRベースラインと視覚基盤バックボーンにわたる実験により、標準ベンチマークでの一貫した改善と、困難なドメインシフト下での大幅な向上が示され、R@1は最大9.2%向上した。ソースコードとデータリソースは https://github.com/chenshunpeng/AdaptVPR で公開している。

English

Visual Place Recognition (VPR) localizes a query image by retrieving database images of the same or nearby place, yet its robustness is often degraded by domain shifts arising from illumination, weather, seasonal changes, and dynamic occlusions. One contributing factor is the limited appearance diversity of the same place in existing training data. To address this issue, we propose AdaptVPR, a route-aware generative augmentation framework that constructs same-place hard positives for robust VPR training. AdaptVPR first uses a vision language model to parse scene attributes and estimate editing feasibility, while a rule-based scheduler determines the generation route according to editability scores and risk constraints. The generation process is decomposed into three complementary routes: the Global Appearance Route introduces global scene changes in weather, illumination, and time of day; the Local Occlusion Route inserts plausible dynamic occluders; and the Dual Route combines both types of perturbations to produce more challenging appearance shifts. Each generated candidate is evaluated using a VPR-oriented verification scheme based on geometric consistency and appearance diversity, reducing the risk of structural drift while ensuring sufficient appearance variation. Global candidates are generated once and rejected if verification fails, while Local Occlusion and Dual candidates use verification feedback for limited prompt refinement and regeneration. Using this framework, we construct AdaptCities, containing 160K verified synthetic same-place hard positives. Experiments across multiple VPR baselines and vision foundation backbones show consistent gains on standard benchmarks and substantial improvements under challenging domain shifts, with R@1 gains of up to 9.2%. The source code and data resources are publicly available at https://github.com/chenshunpeng/AdaptVPR.