AutoCompass: Accurate Visual Localization on Public Maps by Learning from Weak Labels

📄 arXiv: 2609.02798v1 📥 PDF

作者: Javier Tirado-Garín, Alan Savio Paul, Shuai Chen, Axel Barroso-Laguna, Tommaso Cavallari, Daniyar Turmukhambetov, Victor Adrian Prisacariu, Eric Brachmann

分类: cs.CV

发布日期: 2026-09-02

备注: ECCV 2026

💡 一句话要点

提出AutoCompass以解决视觉定位中的标签噪声问题

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 视觉定位 神经网络 地图匹配 GPS SLAM 相对姿态 深度学习

📋 核心要点

  1. 现有的神经地图匹配器在训练时依赖于绝对姿态标签，这些标签常常受到噪声影响，导致模型性能下降。
  2. AutoCompass提出了一种新颖的训练方法，利用原始GPS标签和相对姿态信息，减少对绝对标签的依赖。
  3. 在多个基准测试中，AutoCompass的定位精度显著提高，超越了传统方法的表现，展示了其有效性。

📝 摘要（中文）

神经地图匹配器用于估计图像相对于2D地图的3自由度姿态。这些模型通常在大规模地理参考图像数据集上训练，但位置和朝向标签常常存在噪声，影响模型性能。为了解决这一问题，本文提出了AutoCompass，一种从不准确的绝对姿态标签中训练神经地图匹配器的监督方法。研究表明，朝向标签并非必要，模型可以从原始GPS标签中自动学习准确的朝向。此外，围绕原始GPS定义的容忍区域可以提高位置精度。如果可用，本文还利用通过SLAM或SfM获得的训练图像之间的相对姿态，提供更准确的训练信号。在驾驶和自我中心基准测试中，AutoCompass的表现始终优于依赖绝对姿态标签的传统方法。

🔬 方法详解

问题定义：本文旨在解决神经地图匹配器在训练过程中对绝对姿态标签的依赖问题，现有方法因标签噪声而导致性能下降。

核心思路：AutoCompass的核心思想是通过原始GPS标签自动学习朝向，并通过定义容忍区域来提高位置精度，减少对绝对标签的依赖。

技术框架：该方法包括三个主要模块：首先，使用原始GPS标签进行训练；其次，定义容忍区域以提高位置精度；最后，利用SLAM或SfM获取的相对姿态作为训练信号。

关键创新：AutoCompass的主要创新在于去除了对朝向标签的依赖，模型能够从原始GPS标签中自动学习朝向，显著提升了训练的灵活性和准确性。

关键设计：在设计中，定义的容忍区域参数和相对姿态的使用是关键，确保了模型在训练过程中能够获得更准确的位置信息和朝向预测。具体的损失函数和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个驾驶和自我中心基准测试中，AutoCompass的定位精度显著提高，超越了传统方法，具体性能提升幅度达到了XX%（具体数据需根据实验结果填写）。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、增强现实和机器人导航等场景。通过提高视觉定位的准确性，AutoCompass能够在复杂环境中提供更可靠的定位服务，推动相关技术的实际应用和发展。

📄 摘要（原文）

Neural map matchers estimate an image's 3-DoF pose relative to a 2D map. These models are trained on large-scale datasets of geo-referenced images, whose position and heading labels often contain noise that affects the trained models. To address this, we present AutoCompass, a supervision approach for training neural map matchers from inaccurate absolute pose labels. First, we show that heading labels are unnecessary: trained from raw GPS labels, models learn to predict accurate headings, automatically. Second, defining a tolerance region around raw GPS improves positional accuracy. Third, if available, our supervision uses relative poses between training images, obtained via SLAM or SfM, which provide a more accurate training signal. Across driving and egocentric benchmarks, AutoCompass consistently outperforms counterparts trained with the usual strong reliance on absolute pose labels.