近年来，视觉定位技术在自动驾驶、增强现实和地理信息系统等领域扮演着越来越重要的角色。然而，在大规模地理空间场景中，传统的基于运动恢复结构（SfM）的方法往往面临可扩展性差、对视角变化敏感等挑战。为了克服这些困难，来自奥地利和德国的研究团队提出了egenioussBench——一个全新的、基于真实地理空间参考数据的视觉定位基准数据集。
该数据集的核心创新在于其参考数据的选择：采用城市级的航空3D网格和CityGML LoD2模型，而非传统的SfM点云。这两种数据源代表了实际可部署的测绘资产，能够支持比SfM方法更优异的可扩展性。查询数据由智能手机拍摄的图像组成，通过后处理动态定位（PPK）和地面控制点/检查点（GCP/CP）辅助调整，获得了厘米级精度的、不依赖于地图的真实位姿值。
研究团队从总共2,709张图像中，利用渲染深度估计出完整的共视矩阵，并从中选择了一个最大独立集，从而得到一个非共视的图像子集。公开发布的数据集包括42张非共视的测试图像（其真实位姿信息被保留，用于评估）和412张连续的验证图像（附带位姿信息，可用于训练位姿回归器或自我验证）。
为了确保评估的全面性和公平性，egenioussBench设立了一个公开排行榜，采用多种姿态误差阈值下的分箱度量，并结合中位数、均方根误差（RMSE）和异常值比率等全局统计指标进行性能评估。这种设计使得基于网格和基于LoD2的方法能够在同一标准下进行直接比较。
论文作者包括Phillipp Fanta-Jende、Francesco Vultaggio、Alexander Kern、Yasmin Loeper和Markus Gerke，并于2026年5月6日提交至arXiv。他们表示，这些设计选择共同揭示了现实中存在的跨视角和跨领域挑战，为大规模视觉定位的进一步发展提供了一个严谨且可扩展的路径。评估代码和数据已在GitHub和项目网站上开源。