地理坐标本身只是两个数字，但一个有效的geolocation编码器可以从这组经纬度中推断出当地的视觉与非视觉特征。围绕这一目标，Daniel Cher等五位作者在提交于2026年6月25日的论文《Tessellating The Earth》中提出了新的位置编码方法，该工作已被ECCV 2026接收。
现有方法的共同问题在于表征分配方式。多数编码器将坐标投影到固定的基函数上，例如球面谐波，这种做法会均匀地分配模型容量：无论是一片开阔的海洋，还是一座正在发展的城市，都会获得同等规模的表示资源。然而，实际信息密度在空间上极不均衡，大量容量被浪费在对下游任务几乎没有贡献的区域。
TTE的核心思路是让划分本身可学习。作者构建了可学习的球面Voronoi分区，每个Voronoi站点携带自己的嵌入向量，并在训练过程中不断迁移，逐渐向具有判别力的区域靠拢。由于整个过程是完全可微的，分区与嵌入能够端到端联合优化，模型因此可以自主决定把表征容量放在哪里，而无需依赖人工设定的固定基或网格。
仅有局部空间结构还不足以支撑全局理解。为此论文引入了“全局语义词元”：一组共享的可学习概念词元，用于从卫星影像中蒸馏语义知识，形成一个紧凑的词汇表，供位置编码器在推理时引用。这样一来，地理位置相距遥远、但环境类型相似的地点就能共享语义信息，从而把局部几何结构与全球尺度的语义理解连接起来。
在实验中，TTE在一系列地理空间分类与回归任务上刷新了位置编码器的最优结果。更具说服力的是，当它被用作地理先验、辅助iNaturalist-2018数据集上的细粒度物种分类时，取得了最强的表现。这表明学到的位置表征不仅服务于单一任务，还能迁移到需要地理上下文的下游识别问题中。
论文作者还公开了代码与权重，仓库地址为https://github.com/mvrl/TTE，方便研究者复现与在此基础上继续开发。该论文归类于计算机视觉与模式识别（cs.CV），arXiv编号为2606.27514，DOI为10.48550/arXiv.2606.27514。