GeoLink：クロスビュー・ジオローカライゼーションにおける汎化性能向上のための3D認識フレームワーク

要旨: 一般化可能なクロスビュージオローカライゼーションは、GPSによる監督なしに、未知の領域や条件においてビュー間で同一の場所を対応付けることを目的とする。主な困難は、視点の変化によって生じる深刻な意味的不整合と、ドメインシフト下での一般化性能の低さにある。既存手法は主に2Dの対応（対応付け）に依存しているが、ビュー間で共有される冗長な情報に簡単に注意を奪われ、その結果、転移可能な表現が得られにくい。そこで本研究では、一般化可能なクロスビュージオローカライゼーションのための3D認識に基づく意味整合フレームワークであるGeoLinkを提案する。具体的には、VGGTを用いて複数ビューのドローン画像からオフラインでシーンの点群を再構成し、安定した構造的事前知識（プリオル）を提供する。これらの3Dアンカーに基づき、2つの補完的な方法で2D表現学習を改善する。1つは、3Dガイダンスの下で2D特徴に生じ得る冗長でビューに偏った依存関係を緩和する、幾何学に配慮したセマンティック洗練（Semantic Refinement）モジュールである。さらに、統一ビュー関係蒸留（Unified View Relation Distillation）モジュールが3Dの構造関係を2D特徴へと伝達し、2Dのみの推論パイプラインを維持しながら、クロスビューの整合性を改善する。複数のベンチマークにおける大規模な実験により、GeoLinkが最先端手法を一貫して上回り、未知ドメインや多様な天候環境に対して優れた一般化性能を達成することが示される。