DualGeo：双视角框架实现全球图像地理定位

本文提出DualGeo双阶段框架，通过双向交叉注意力融合图像与语义分割特征，结合地理聚类重排序和LMM推理，在IM2GPS、IM2GPS3k和YFCC4k基准上将街道级（<1km）和市级（<25km）定位准确率分别提升3.6%-16.58%和1.29%-8.77%，为全球图像地理定位提供新路径。

全球图像地理定位需推断任意位置图像的地理坐标，难度跨越街道（米级）到城市（公里级）等多尺度。现有方法面临两大挑战：1.视觉特征对环境变化敏感（同一地点不同季节/天气/光照下特征匹配易失败）；2.缺乏有效离群值过滤机制，检索候选含噪声限制精度。

第一阶段目标是建立鲁棒地理表征空间，使语义相似图像在空间中靠近。核心策略：1.双模态特征融合（图像特征捕获视觉细节，语义分割特征捕获鲁棒语义内容）；2.双向交叉注意力融合（图像→分割学习视觉对应语义，分割→图像学习语义对应视觉）；3.双视角对比学习对齐（图像-坐标对齐、语义-地理关联），构建全球检索数据库。

第二阶段对检索结果精炼：1.地理聚类重排序（识别空间连贯候选群组，过滤孤立离群值，大聚类候选排名提升）；2.LMM推理决策（输入查询图像、候选卫星/街景图像及地理上下文，基于视觉相似性和地理合理性输出最终坐标，弥补纯特征匹配局限）。

在IM2GPS、IM2GPS3k、YFCC4k三大基准评估，关注街道级（<1km）和市级（<25km）精度：街道级提升3.6%-16.58%（双视角融合与聚类后处理贡献）；市级提升1.29%-8.77%（证明框架鲁棒性）。

DualGeo有效的核心原因：1.语义-视觉互补性（融合两者优缺点）；2.空间一致性约束（利用真实位置唯一性过滤离群值）；3.分层决策架构（粗粒度检索→聚类精炼→LMM推理，平衡效率与精度）。

当前局限：计算成本高（双模态提取+LMM推理）、语义分割错误传播、聚类参数需调优。未来方向：高效实现（降成本不牺牲精度）、动态聚类阈值、时序扩展（利用图像时间信息）。