这篇 A Survey of Visual Localization and Relocalization Methods 综述,核心是梳理视觉定位、视觉重定位整套技术体系,区分开增量视觉里程计跟踪和丢失后的全局重定位,按照地图表示方式、求解路线对全部主流方案做归类对比,视觉定位就是从单张或者多张图像解算出相机 6 自由度位姿,视觉重定位特指 SLAM 跟踪丢失之后,在已知场景地图里重新找回相机全局位姿,是 AR、机器人导航、自动驾驶、无人机定位里非常关键的一环,综述把传统几何方案和 NeRF、3DGS 这类隐式神经地图方案放在一起对比,同时整理了室内、室外标准数据集、误差指标,还点明光照变化、季节变化、低纹理、动态物体这些长期定位里的难点,适合做 SLAM、AR 定位、机器人感知方向的研发人员快速理清技术路线。
一、视觉定位与重定位四大主流技术路线
- 基于稀疏特征的几何匹配方案
- 图像检索分层粗定位方案
- 端到端位姿回归方案
- 隐式稠密地图重定位方案
也就是传统经典路线,提前建好 SfM 稀疏点云地图,查询图提取特征,做 2D-3D 匹配,再用 PnP+RANSAC 解算相机位姿,代表方案:HLoc、SuperPoint、SuperGlue。特点:精度稳定、可解释性强,缺点是纹理差、光照剧变时匹配容易失效。
先做地点识别 VPR,在带位姿的图像库里检索最相似参考图拿到粗略位置,再做精细匹配优化,属于分层定位,适合城市级大规模场景。代表方案:NetVLAD、CosPlace。特点:覆盖范围大,速度快,定位精度偏低,一般作为重定位的前置步骤。
直接用网络输入图像输出 6DoF 位姿,不用显式匹配 2D-3D 点。分成绝对位姿回归 APR、相对位姿回归 RPR 两类,代表方案:PoseNet、Reloc3R。特点:推理快,但是泛化差,大多是场景专属,换场景要重新训练。
使用 NeRF、3D Gaussian Splatting 作为场景地图,通过渲染、光度对齐做位姿优化,是近年热门方向,代表方案:SplatHLoc。特点:可以渲染虚拟视角,低纹理场景优势明显,缺点是地图存储、推理开销大。
二、不同地图表示方式对比表
| 地图类型 | 代表方案 | 定位精度 | 地图更新难度 | 适用场景 |
|---|---|---|---|---|
| 稀疏点云 SfM | HLoc、SuperGlue | 高 | 中等 | 室内、地标、长期稳定场景 |
| 带位姿图像库(无显式 3D 结构) | NetVLAD、CosPlace | 一般 | 简单 | 城市大范围、巡检、粗定位 |
| 神经辐射场 NeRF | NeRF-based Reloc | 较高 | 难 | 小范围静态场景 |
| 3D 高斯溅射 3DGS | SplatHLoc | 较高 | 中等 | AR、室内、可合成新视角 |
| 稠密网格 / TSDF | 传统 RGB-D SLAM | 高 | 难 | 室内小场景、深度相机 |
三、常用评估数据集与指标
- 室内数据集:7-Scenes、12-Scenes、ScanNet++,适合 RGB-D 重定位测试
- 室外地标数据集:Cambridge Landmarks、MegaDepth,城市街景、光照变化测试
- 核心评价指标:平移中位误差、旋转中位误差、召回率(误差低于阈值的样本占比)
四、综述总结的现存痛点
- 外观变化鲁棒性难题:季节更替、昼夜、雨雪、光照剧变,特征失效,长期定位稳定性差
- 低纹理、重复纹理区域容易出现感知混淆,检索和匹配出错
- 隐式地图(NeRF/3DGS)精度高,但地图体积大、推理慢,很难做到城市级大规模部署
- 动态物体干扰,行人、车辆会带来错误匹配,很多基准数据集缺少动态场景
- 不同方案评测协议不统一,有的用内参已知、有的未知,横向对比难度大
五、落地选型参考
- 城市大范围巡检、机器人粗找回:优先图像检索分层路线
- 高精度 AR、室内小场景定位:稀疏特征几何方案,搭配 3DGS 做辅助
- 算力充足、场景静态、需要视角合成:选择 3DGS/NeRF 隐式重定位
- 端侧低算力实时重定位:优先轻量图像检索 + 简化特征匹配,不推荐端到端回归
【相关 FAQ】
问题 1:这篇视觉定位与重定位方法综述,视觉定位和视觉重定位是一回事吗?
回答 1:这篇视觉定位与重定位方法综述里,视觉定位是泛指根据图像求解相机 6 自由度位姿;视觉重定位属于视觉定位的子集,特指 SLAM 跟踪丢失之后,在预先建好的地图里重新找回全局位姿,二者范围不一样。
问题 2:视觉定位与重定位方法里,3D 高斯溅射 3DGS 方案相比传统稀疏点云有什么优势?
回答 2:视觉定位与重定位方法里,3D 高斯溅射可以渲染任意虚拟视角,在低纹理、弱特征场景下更容易做对齐匹配,是视觉定位与重定位方向近年热门路线,短板是地图文件大、推理算力开销更高。
问题 3:视觉定位与重定位方法中,端到端位姿回归方案为什么落地比较少?
回答 3:视觉定位与重定位方法里的端到端位姿回归大多场景专属,在没见过的新场景泛化能力弱,虽然推理速度快,但是精度上限一般不如几何匹配方案,所以视觉定位与重定位工程落地很少单独只用它。
问题 4:做视觉定位与重定位测试,Cambridge Landmarks 和 7-Scenes 分别适合测什么?
回答 4:做视觉定位与重定位评估,7-Scenes 是经典室内 RGB-D 数据集,适合室内小场景重定位;Cambridge Landmarks 是室外地标数据集,用来测试光照、视角变化下的视觉定位与重定位稳定性。
【参考资料】
[2026-10-11](A Survey of Visual Localization and Relocalization Methods)arXiv
[2026-07-20](基于 3D 高斯 Splatting 的视觉重定位进展综述)机器之心
[2026-03-02](SplatHLoc:基于特征高斯的分层视觉重定位)arXiv
[2025-12-10](Reloc3R:大规模相对位姿回归视觉定位)arXiv
[2025-09-15](深度学习视觉定位与建图综述)IEEE Xplore
[2024-06-08](HLoc 分层视觉定位框架原理与评测)GitHub
【免责声明】
本文仅为该视觉定位与重定位方法综述的通俗解读整理,不代表原论文全部结论,不同视觉定位与重定位方案在硬件、场景、地图更新需求下表现差异很大,项目落地前请自行复现基准测试,不构成方案选型保证。
