城市級視覺地點識別（VPR）是計算機視覺領域的一項重要任務，其目標是透過將查詢影像與地理標記資料庫進行匹配來確定該影像的地理位置。儘管近年來提出的方法取得了令人矚目的效能，但它們普遍忽視了一個隱藏在大型城市資料集中的關鍵問題：嚴重的長期尾部分佈問題。這種不平衡導致模型偏向於那些擁有豐富影像樣本的地點（頭部資料），而忽略了那些拍攝較少的區域（尾部資料），從而系統性地偏向於頻繁被拍攝的地點，卻在稀疏覆蓋區域表現不佳。
針對這一挑戰，來自研究團隊（Zhiyao Shu等四位作者）的系統性地描述了城市VPR中的地理不平衡問題，並提出了分佈感知地點識別方法（Distribution-Aware Place Recognition, DAPR）。DAPR是一種與模型無關的即插即用框架，專門設計用於重新平衡分類任務中頭部和尾部類別對梯度更新的貢獻。透過減弱頭部類別的主導影響、增強尾部類別的學習訊號，模型能夠更加公平地對待所有地理位置。
進一步地，DAPR在分類-檢索聯合流水線中整合了一個多尺度距離搜尋機制。該機制在檢索階段計算每個類別的分佈緊湊性，利用不同尺度下的空間資訊來提升檢索精度。這一創新性設計不僅解決了類別不平衡問題，還能與現有VPR方法無縫整合，帶來額外的效能增益。
實驗結果表明，DAPR在大型基準資料集SF-XL上表現卓越。在測試集v1上，它超越了先前的分類-檢索基線18.3%；在測試集v2上，提升幅度達到6.7%。更重要的是，作為一個即插即用模組，DAPR在多個代表性VPR方法（如SF-XL、MSLS和Pitts30k）上均展現出一致的效能改進，證明了其廣泛的通用性和跨資料集的穩健性。
這項研究已被歐洲計算機視覺會議（ECCV 2026）接收。論文提供了28頁的詳細內容，包括額外的補充材料。研究不僅揭示了城市VPR中一個被忽視的關鍵問題，還提出了一個實用且高效的解決方案，有望推動未來地理空間人工智慧應用的公平性和魯棒性。