给定一张目标图像，图像定位（Image-based Localization）技术旨在不借助GPS等额外信息的情况下估计出图像所在的地理位置，该技术被广泛应用于SLAM、AR/VR、手机拍照定位等场景。经过搜索发现图像定位有几个方向。
1.基于图像检索的
2.基于2D-3D匹配的
3.Cross-view geo-localization(交叉视角地理定位）
Image-based localization必须基于某位置确定的比对数据库，比如带有地理位置标签的街景照片库，已知位置的地标3D模型、卫星地图（与上述三个方向对应）。其中1和3分别可以看作是ground-to-ground的geolocalization方法和Ground-to-Aerial Geolocalization方法
1.其中基于图像检索（Image Retrieval）属于Visual Localization（视觉定位）范畴，常借助于谷歌街景（Google Streat View，GSV)（相近视角）与谷歌卫星地图（跨视角，Cross-view image geo-localization）。
这种技术存在的原因在于卫星定位最少需要四个可见卫星，而在高层建筑很多的城市中卫星信号会出现问题，导致卫星定位精度不够（论文原句是手机GPS不超过百米误差）。因此基于图像的精确定位便被提出。
刚开始的工作基本上基于谷歌街景，通过摄像机照片与谷歌街景进行特征匹配（常用SIFT特征、SURF特征），一般用相近视角，待匹配数据库为带有GPS、位姿信息的图像库，该数据库数量庞大，检索工作量巨大。因此有各种缩小匹配范围的方法被提及，如[1][2]等.这些方法使用传统的点特征匹配技术，使用BOF（Bag of Feature，类似于词袋Bag）。也有一些特殊的方法，比如[3]针对地标建筑，利用地标建筑的图像进行三维重建，将重建后的三维模型进行投影得到2d图像特征，再与查询图像进行匹配，或者[4]在定位的时候顺带重建一下。
上述方法都是用传统图像匹配，后续也有很多基于深度学习的图像匹配，如基于NetVLAD[5]的各种方法
2.基于2D-3D匹配的方法，是对地标进行建模，然后把模型投影到标准的视角照片上，再根据这些进行图像检索或匹配。
而2D-3D匹配，在基于点云地图的SLAM定位中也有很多论文，这些论文都可以看作是基于点云的视觉重定位方法，基本都使用深度学习方法，有的[6]是通过相机图像与Lidar映射到的Range image进行匹配，基本的实验都是在建立点云地图的路径上重新跑一遍，将点云映射到某位姿的视角上，从而映射为深度图（2D）；有的是直接对点云与相机图像进行数据关联，如[7]设计triplet - like网络，分别提取图像SIFT特征与点云ISS特征，再取特征周围的图像、点云子图送入网络，进行训练或识别匹配。这样基于点云地图的是另一个范畴的：基于地图的视觉定位。
3.基于Cross-view的方法，在深度学习流行起来之后变得越来越有效果，因为普通的使用人造特征点（SIFT特征）进行匹配的方法无法在aerial和ground图像之间建立联系，而深度学习可以，比如利用Transformer进行匹配的[8]等，常用的数据集为CVUSA、CVACT，空中地图基本来源于谷歌卫星地图。
[1]Salarian, Mahdi. “Accurate Localization in Dense Urban Area Using Google Street View Image.” arXiv: Computer Vision and Pattern Recognition, Dec. 2014.
[2]Salarian, Mahdi, et al. “Improved Image Retrieval for Efficient Localization in Urban Areas Using Location Uncertainty Data.” World Academy of Science, Engineering and Technology, International Journal of Computer and Information Engineering, Oct. 2016.
[3] Mobile Landmark Search with 3D Models
[4]
[5]NetVLAD: CNN architecture for weakly supervised place recognition
[6]i3dLoc: Image-to-range Cross-domain Localization Robust to Inconsistent Environmental Conditions
[7]2D3D-Matchnet: Learning To Match Keypoints Across 2D Image And 3D Point Cloud
