画像位置特定（ジオロケーション）は、写真の視覚的な内容からその撮影場所を推定するタスクです。世界規模では、視覚的な証拠が曖昧で多様、かつ不均一に分布しているため、依然として困難な課題です。従来の研究では、一般のインターネット写真とストリートビュー画像の位置特定は別々のタスクとして扱われてきましたが、両者は補完的な強みを持っています。インターネット写真はユーザーが撮影したクエリの外観分布により適合し、ストリートビュー画像はより高密度で地理的に根拠のあるカバレッジを提供します。
Pinpointは、両方のソースを組み合わせた検索・再ランキングアーキテクチャを提案します。まず、Flickrのユーザーアップロード写真とストリートビュー画像の両方で対照学習された画像-GPS埋め込み器を訓練し、共有の画像-GPS埋め込み空間を学習します。これを用いて候補位置を検索します。次に、注意機構ベースの再ランキング器が、候補レベルの視覚特徴とGPS特徴を、近隣位置からのクロスソース証拠と組み合わせて候補を再スコアリングし、予測を確定します。
最近の研究とは異なり、Pinpointはマルチモーダル大規模言語モデル（MLLM）に依存しないため、推論が高速で再現性が高くなっています。実験結果では、Pinpointはインターネット写真のベンチマーク（IM2GPS3k、YFCC4k）およびストリートビューのベンチマーク（OSV-5M）において、すべての指標で最先端の結果を達成しています。例えば、IM2GPS3kでは、従来手法を大幅に上回る精度を実現しました。
本研究はNika Chuzhoyらによるもので、論文は2026年6月2日にarXiv（ID: 2606.04133）に投稿され、コンピュータビジョンとパターン認識の分野に属します。Pinpointの成功は、巧みなデータ融合と効率的な検索アーキテクチャにより、大規模モデルに頼ることなく世界規模の画像位置特定の性能を大幅に向上できることを示しています。今後、ナビゲーション、考古学、野生生物モニタリング、ソーシャルメディアのジオタグ付けなど、正確な位置情報を必要とする様々な応用分野での活用が期待されます。