《AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place Recognition》由Shunpeng Chen与另外8位作者共同撰写，于2026年9月3日以arXiv:2609.04369v1形式提交至计算机视觉与模式识别（cs.CV）方向。论文全长18页，含9幅图、9张表，并附有实验性HTML版本与TeX源代码。
视觉地点识别（Visual Place Recognition, VPR）通过检索同一地点或邻近地点的数据库图像来定位查询图像，是自动驾驶、机器人和增强现实等系统的重要基础能力。然而真实场景中的光照、天气、季节和动态遮挡会造成域偏移，使同一地点在不同时刻的影像外观差异很大，模型容易出现检索错误。论文指出，现有训练数据对“同一地点的外观多样性”覆盖不足，是导致VPR模型鲁棒性下降的重要因素。
针对这一问题，AdaptVPR提出一种路径感知的生成式增强框架。它先用视觉语言模型解析场景中的对象、语义和可编辑区域，对图像适合进行何种编辑做出评估；随后，规则式调度器依据可编辑性评分与风险约束，决定走哪条生成路线。具体生成被拆解为三条互补路径：全局外观路线负责改变天气、光照与时间段等整体条件；局部遮挡路线在符合场景语境的位置插入汽车、行人等动态遮挡物；双路径路线同时施加全局与局部扰动，以得到更有挑战性的外观偏移。
为了不让生成过程破坏地点识别所依赖的几何结构，每个候选样本都要经过面向VPR的验证。验证方案同时考察几何一致性（避免结构漂移）和外观多样性（确保新增样本有训练价值）。其中，全局外观候选只生成一次，验证失败即被丢弃；局部遮挡与双路径候选可在验证反馈指导下进行有限的提示调整与重新生成。基于这套流程，研究团队构建了包含16万个经验证的合成同地困难正样本的数据集AdaptCities。
实验部分使用了多种VPR基线模型和视觉基础模型骨干。结果表明，AdaptVPR在标准基准上均取得稳定增益，在域偏移明显的挑战性场景中尤为突出，Recall@1最高提升了9.2%。目前论文的源代码与数据资源已在https://github.com/chenshunpeng/AdaptVPR公开，便于后续复现与应用。