《AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place Recognition》由Shunpeng Chen與另外8位作者共同撰寫，於2026年9月3日以arXiv:2609.04369v1形式提交至計算機視覺與模式識別（cs.CV）方向。論文全長18頁，含9幅圖、9張表，並附有實驗性HTML版本與TeX源代碼。
視覺地點識別（Visual Place Recognition, VPR）通過檢索同一地點或鄰近地點的數據庫圖像來定位查詢圖像，是自動駕駛、機器人和增強現實等系統的重要基礎能力。然而真實場景中的光照、天氣、季節和動態遮擋會造成域偏移，使同一地點在不同時刻的影像外觀差異很大，模型容易出現檢索錯誤。論文指出，現有訓練數據對“同一地點的外觀多樣性”覆蓋不足，是導致VPR模型魯棒性下降的重要因素。
針對這一問題，AdaptVPR提出一種路徑感知的生成式增強框架。它先用視覺語言模型解析場景中的對象、語義和可編輯區域，對圖像適合進行何種編輯做出評估；隨後，規則式調度器依據可編輯性評分與風險約束，決定走哪條生成路線。具體生成被拆解為三條互補路徑：全局外觀路線負責改變天氣、光照與時間段等整體條件；局部遮擋路線在符合場景語境的位置插入汽車、行人等動態遮擋物；雙路徑路線同時施加全局與局部擾動，以得到更有挑戰性的外觀偏移。
為了不讓生成過程破壞地點識別所依賴的幾何結構，每個候選樣本都要經過面向VPR的驗證。驗證方案同時考察幾何一致性（避免結構漂移）和外觀多樣性（確保新增樣本有訓練價值）。其中，全局外觀候選只生成一次，驗證失敗即被丟棄；局部遮擋與雙路徑候選可在驗證反饋指導下進行有限的提示調整與重新生成。基於這套流程，研究團隊構建了包含16萬個經驗證的合成同地困難正樣本的數據集AdaptCities。
實驗部分使用了多種VPR基線模型和視覺基礎模型骨幹。結果表明，AdaptVPR在標準基準上均取得穩定增益，在域偏移明顯的挑戰性場景中尤為突出，Recall@1最高提升了9.2%。目前論文的源代碼與數據資源已在https://github.com/chenshunpeng/AdaptVPR公開，便於後續復現與應用。