从像素追溯位置：全球图像地理定位综述

《Information Processing & Management》：Tracing locations from pixels: A survey of worldwide image geo-localization

　　

• 我们提出了一项关于全球图像地理定位（WIGL）的专用综述，重点关注全球单张地面图像定位，以揭示被忽视的设计选择和实践挑战。
• 我们提出了WIGL的四种统一范式分类：基于分类、基于检索、基于生成和检索增强生成（RAG），并以同等深度分析了这四种范式，以阐明其原理、优势和局限性。
• 我们分析了数据集和基准测试，通过空间分布分析揭示了地理覆盖偏差，并标准化了六个测试集上的评估指标，为比较提供了共同基础。

引言
地理位置是人类认知世界（Tuan, 1977）、信息组织和社会活动的基本参考框架。精确的位置信息支撑着现代智能系统，从个性化内容推荐（Ye et al., 2011）、数字孪生构建（Schrotter & Hürzeler, 2020）和自动驾驶（Chalvatzaras et al., 2023）到灾后应急响应（Kryvasheyeu et al., 2016），位置感知的社交媒体内容分析已被用于定位异常交通事件（Shang et al., 2022）并通过图像了解现实世界事件（Paramita et al., 2021）。然而，社交媒体上公开分享的大多数图像缺乏地理标签。根据Flatow等人（2015）的研究，Twitter上仅约2%的图像和Instagram上约25%的图像携带位置信息。这种稀缺性激发了从社交媒体内容中恢复位置信息的努力（Luo et al., 2020），例如通过识别和解决帖子文本中提到的细粒度地名（Hu et al., 2024）。然而，社交媒体文本天生具有噪声：俚语、缩写和首字母缩略词具有基于上下文的含义，准确解释它们需要结合本地知识库进行专门的预处理（Kolajo et al., 2020）。此外，此类基于文本的方法不适用于大量没有可用文本线索的图像。地理标签的缺乏严重限制了海量视觉数据在下游任务中的使用，使得从图像内容中自动推断拍摄位置成为迫切的研究需求。全球图像地理定位（WIGL）（Hays & Efros, 2008）解决了这一需求，并已在诸如网络犯罪源追踪（Rocha et al., 2011）、无卫星定位的辅助导航（Davison et al., 2007）以及无人机和自动驾驶系统的位置感知（Lin et al., 2013）等应用中展现出价值。这些需求确立了WIGL作为计算机视觉和地理信息科学交叉领域的核心问题。

WIGL旨在在两个硬性约束下推断照片拍摄的地理坐标：查询图像不携带地理元数据（没有EXIF GPS或用户提供的标签），并且事先没有已知的搜索区域，因此假设空间是整个地球表面。我们将第二个约束称为无空间先验，即搜索区域没有任何空间先验。如图1所示，该任务基于单张日常地面照片运行（Astruc et al., 2024, Cepeda et al., 2023, Vo et al., 2017）。与跨视角地理定位（CVGL）（Wu et al., 2025, Zhang et al., 2022）一起，WIGL构成了图像地理定位的两大主要分支之一。CVGL（Regmi and Shah, 2019, Shi et al., 2020, Yang et al., 2021）通常依赖于卫星或全景图像进行匹配，并且通常将搜索区域限制在特定区域（Regmi and Shah, 2021, Shao et al., 2023, Tan et al., 2021）。相比之下，WIGL在全球范围内运行，并且严格局限于普通的地面图像（Wilson et al., 2024）。值得注意的是，WIGL的任务定义不限制方法如何推断坐标：一些方法仅依赖于查询图像的视觉内容，而其他方法在推理时还查阅外部地理证据，例如预先建立的地理标记参考数据库或网络搜索和在线地图等外部工具（Jia et al., 2026）。因此，我们将推理时使用外部证据视为方法之间变化的属性，而不是任务定义的一部分。这种设置要求方法能够处理极端的场景多样性，包括地貌、气候、植被、建筑风格、文本和文化习俗的显著差异（Zhou et al., 2024），同时还要解决由同一城市内视觉上相似的街区引起的定位歧义（Haas et al., 2024）。

为应对这些挑战，近年来涌现出众多有效的技术方法。现有方法可以归类为反映技术路径演进的四种范式：基于分类（Weyand et al., 2016）、基于检索（Vo et al., 2017）、基于生成（Li et al., 2024）和检索增强生成（RAG）（Zhou et al., 2024）。基于分类的方法将地球表面划分为固定网格单元，训练模型将图像分配到正确的单元格中，并输出单元格中心坐标作为预测结果。这些方法支持端到端训练，但其准确率受限于网格粒度。基于检索的方法将定位重新表述为图像相似度匹配。查询图像与预先建立的地理标记图像数据库进行比较，最相似图像的坐标作为输出。这种方法非常灵活，但构建全面的地理标记数据库需要大量的数据采集和维护成本。基于生成的方法利用大语言模型（LMM）中的先验知识（Li et al., 2025），并使用参数高效微调（如LoRA）（Hu et al., 2022）使模型能够直接生成坐标。然而，纯生成缺乏明确的空间约束，使预测容易受到幻觉的影响。RAG方法结合了检索和生成，首先检索视觉上相似的位置，然后利用这些位置作为上下文来引导大模型进行坐标推断，从而在可靠性和灵活性之间取得平衡。这四种范式在推理时使用外部地理证据方面也存在差异：基于分类的方法仅依赖训练好的模型；基于生成的方法主要利用LMM的内部化知识，尽管有些方法（如SpotAgent）（Jia et al., 2026）会可选地调用外部工具来辅助推理；而基于检索和RAG方法则会查阅预先建立的地理标记参考数据库。总之，这四种范式勾勒出了WIGL当前的技术格局，并在设计理念上相辅相成，在性能上各具优势。

本手稿对WIGL领域进行了系统而全面的综述。通过回顾上述四种代表性范式，总结常用的公开数据集和评估指标，并比较各种方法在基准测试上的报告性能，我们对当前的研究状态进行了深入分析。本手稿汇编了流行的数据集和基准测试结果，以便于读者参考和比较。本手稿的其余部分组织如下。第2节回顾了与本研究密切相关的现有综述工作，并阐明了本手稿的独特贡献。第3节按基于分类、基于检索、基于生成和RAG方法的顺序，对四种范式进行了深入阐述和比较分析。第4节系统调查了用于WIGL的数据集，并对它们进行了空间分布分析。第5节概述了该领域的标准评估指标。第6节总结并讨论了各种方法在公开基准测试中的性能。第7节讨论了当前挑战、未来研究趋势以及伦理、隐私和双重用途的考量。第8节对全文进行了总结。

章节片段
相关综述
在视觉地理定位领域，现有综述从不同角度回顾了研究进展。大多数将WIGL视为更广泛的地理定位或CVGL综述中的子主题，而未对其进行专门关注。为了澄清WIGL与主流依赖先验的范式之间的关系，图2展示了一个统一的地理定位分类。方法被分为有先验（跨视角和物体地理定位）和无先验两类。这在视觉上突出了WIGL是唯一...

技术方法
为了帮助读者建立该领域的结构化心智模型，表1提供了一个统一的分析框架，从核心假设、优势、缺点和典型失败模式等方面对比了这四种范式。该框架为接下来的详细讨论提供了一个认知地图。

本节依次介绍了这四种范式。第3.1节介绍了基于分类的方法。它们在离散化粒度和内存容量上的固有局限性促成了...

数据集
本节系统地回顾了该领域常用的数据集，弥补了现有综述的不足：Brejcha和?adík（2017）的综述涵盖了现在已经过时的数据集，而Wilson等人的综述专注于CVGL，因此未能全面覆盖WIGL专用数据集（Wilson et al., 2024）。我们在第4.1节介绍了常用于训练的数据集，在第4.2节介绍了WIGL中经常采用的测试数据集，并描述了最近...

评估指标
WIGL的快速发展催生了多样化的评估框架，从多个维度衡量模型的定位性能。本节系统地回顾了主流的评估指标，分析了它们的应用场景和固有局限性，并为后续的基准分析提供了方法学基础。

基准测试
本节汇总了WIGL方法在六个主流测试集上的报告性能，为相关研究提供了统一的比较参考。表5、表6、表7、表8、表9分别展示了各种方法在IM2GPS3k和YFCC4k、IM2GPS Test、YFCC26k、GWS15k以及OSV5M上的结果。所有结果均使用距离阈值指标（见第5.1节）报告，这是当前WIGL领域最广泛采用的评估框架，为...提供了一个共同基础...

讨论与未来工作
尽管上述努力取得了巨大进展，但社交媒体图像的多样性和全球规模定位固有的复杂性仍留下了一些需要进一步研究的悬而未决问题。这些挑战可以归纳为两大主题：(i) 空间表示和视觉歧义，这涉及如何编码地理信息，以及视觉相似但地理位置遥远的场景如何使模型产生混淆；(ii) 数据稀缺和推理...

结论
WIGL可应用于多个领域，包括犯罪追踪、灾害响应、自主导航和文化遗产保护，尽管同样的能力也引发了隐私和双重用途的担忧，正如第7.3节所讨论的。我们的手稿回顾了现有的WIGL方法，并基于此综述建立了一个全面的分类体系，在该体系内对这些方法进行了分类和详细介绍。

根据底层技术范式，我们将WIGL方法分类为...

作者贡献声明
崔俊超：论文审阅与编辑，初稿撰写，资源提供，方法论。罗向阳：监督指导，资源提供，项目管理，资金获取，概念构思。石文琪：初稿撰写，监督指导，资金获取。马轩子：初稿撰写，调查研究，数据整理。吴楠：可视化呈现，验证测试，概念构思。李航宇：可视化呈现，调查研究。

利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

致谢
本研究部分得到了中国国家自然科学基金（编号：U23A20305）、河南省自然科学基金（编号：262300422589）和河南省科技创新骨干队伍建设项目的支持（编号：254000510007）。

崔俊超 | 罗向阳 | 石文琪 | 马轩子 | 吴楠 | 李航宇