2025_NIPS_Towards Implicit Aggregation: Robust Image Representation for Place Recognition in the Tra

一、文章主要内容总结

本文针对视觉地点识别（VPR）任务，提出了一种名为ImAge（Implicit Aggregation） 的新型范式，摒弃了传统“骨干网络+显式聚合器”的主流框架，仅通过视觉Transformer（ViT）骨干网络本身实现隐式特征聚合，以生成鲁棒的全局图像描述符。

核心背景

传统VPR方法（如NetVLAD、SALAD、BoQ等）需先通过骨干网络提取局部补丁特征，再借助专门的聚合器（如池化、交叉注意力层等）将局部特征聚合为全局描述符，但这种两阶段模式存在结构冗余、缺乏特征修正机会、位置信息丢失等问题。而Transformer的自注意力机制天生具备建模全局上下文和长距离依赖的能力，为隐式聚合提供了可能。

方法核心

1. 聚合令牌（Aggregation Tokens）引入：在Transformer特定编码器块前，向补丁令牌（Patch Tokens）中添加可学习的聚合令牌，通过后续块的自注意力机制，使聚合令牌与补丁令牌全局交互，隐式吸收局部特征中的有用信息。
2. 令牌插入策略：聚合令牌并非在第一个块前插入，而是在“冻结块与可训练块的交界处”插入（如DINOv2骨干网络的倒数第四个块前），此时补丁令牌已具备充足表征能力，且避免了冻结块的梯度