GeoBridge: Decoupled Semantic Conditioning for Generative Image Geolocalization
作者: Zhiyang Dou, Xumeng Han, Fengde Peng, Zipeng Wang, Moxuan Zhao, Zhipei Huang, Zhenjun Han
分类: cs.CV
发布日期: 2026-08-12
💡 一句话要点
提出GeoBridge以解决图像地理定位中的语义条件问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 图像地理定位 多模态大语言模型 角色解耦 黎曼流匹配 地理先验 连续条件表示 精度提升
📋 核心要点
- 现有方法在图像地理定位中存在推理与坐标解码之间的脱节，导致信息损失和精度不足。
- GeoBridge通过角色解耦的条件机制，将语义MLLM与生成坐标的流匹配头连接，改善了推理表示的连续性。
- 在IM2GPS3K数据集上，GeoBridge在多个精度阈值下显著提升了定位性能，展示了其有效性。
📝 摘要（中文）
多模态大语言模型（MLLMs）在图像地理定位方面取得了进展，主要通过改善对地理线索的推理。然而，推理如何解码为坐标的过程仍然滞后。预测地点名称的方式存在离散性和信息损失，忽略了图像证据，并将多层次语义简化为粗略查找。本文提出GeoBridge，一种角色解耦的条件机制，将冻结的语义MLLM与冻结的黎曼流匹配头连接，以生成球面上的坐标。GeoBridge通过将语义监督与条件接口解耦，形成连续条件，注入地理先验而不干扰球面解码器。在IM2GPS3K数据集上，GeoBridge在25/200/750公里阈值下分别达到了38.67/52.89/70.37的精度，超越了基于地点名称的API管道和增强推理的直接预测。代码将公开发布。
🔬 方法详解
问题定义：本文旨在解决图像地理定位中推理与坐标解码之间的脱节问题。现有方法通过地点名称进行预测，导致信息损失和精度不足。
核心思路：GeoBridge的核心思路是通过角色解耦的条件机制，将语义MLLM与生成坐标的流匹配头连接，从而形成连续的条件表示，避免了离散标签对推理的偏见。
技术框架：GeoBridge的整体架构包括一个冻结的语义MLLM和一个冻结的黎曼流匹配头。通过一个独立的投影模块，形成适合生成头的连续条件，注入地理先验信息。
关键创新：GeoBridge的主要创新在于将语义监督与条件接口解耦，避免了传统方法中由于离散标签导致的几何偏差，使得生成头能够在平滑流形上进行有效推理。
关键设计：在设计中，GeoBridge采用了特定的损失函数来优化条件表示，并确保生成头的输入符合其几何要求，具体的网络结构和参数设置将在公开代码中详细说明。
🖼️ 关键图片
📊 实验亮点
在IM2GPS3K数据集上，GeoBridge在25/200/750公里的精度阈值下分别达到了38.67/52.89/70.37的性能，显著优于传统的地点名称到API的管道和增强推理的直接预测，展示了其在精度相关规模上的提升。
🎯 应用场景
GeoBridge的研究成果在多个领域具有潜在应用价值，包括地理信息系统（GIS）、自动驾驶、无人机导航等。通过提高图像地理定位的精度，该技术能够为智能城市建设、环境监测和灾害响应等提供更为精准的支持，推动相关领域的发展。
📄 摘要（原文）
Multimodal large language models (MLLMs) have advanced image geolocalization mainly by improving how they reason about geographic cues. How that reasoning isdecoded into coordinates, however, has lagged behind. Predicting a place name for a geocoding API is discrete and lossy: it ignores image evidence and collapses multi-granular semantics into a coarse lookup. We argue that the bottleneck has shifted from what a model reasons to how that reasoning is represented for a continuous, geometry-aware decoder. We present GeoBridge, a role-decoupled conditioning mechanism that connects a frozen semantic MLLM to a frozen Riemannian flow-matching head that generates coordinates on the sphere. The central obstacle is arole conflict: supervising the condition with discrete semantic labels biases its representation toward class-discriminative geometry, at odds with the smooth manifold the generative head requires. GeoBridge keeps the semantic supervision decoupled from the condition interface: a separate projection forms the continuous condition the frozen head expects, injecting geographic priors without disturbing the spherical decoder. On IM2GPS3K, GeoBridge reaches 38.67/52.89/70.37 at the 25/200/750 km thresholds, improving over a place-name-to-API pipeline and reasoning-augmented direct prediction at these precision-relevant scales. GeoBridge is a decode-side algorithmic contribution, orthogonal and complementary to chain-of-thought reasoning. Code will be made publicly available.