Los cambios de punto de vista frecuentes y dramáticos hacen que la detección de cierre de bucle de vehículos híbridos terrestres/aéreos sea extremadamente desafiante. Para abordar este problema, presentamos un enfoque robusto y eficiente de detección de cierre de bucle basado en el marco de localización y mapeo simultáneos (SLAM) de última generación y modelos de aprendizaje profundo preentrenados. Primero, se procesan las salidas de la red SuperPoint para extraer tanto características de seguimiento como características adicionales utilizadas en el cierre de bucle. A continuación, se aplican descriptores SuperPoint codificados en binario con un método basado en Bag of VisualWords (BoVW) para detectar candidatos a bucle de manera eficiente. Finalmente, la combinación de descriptores SuperGlue y SuperPoint proporciona correspondencias de puntos clave para verificar candidatos a bucle y calcular poses relativas. El sistema se evalúa en conjuntos de datos públicos y en un conjunto de datos del mundo real de vehículos híbridos terrestres/aéreos. El enfoque propuesto permite una detección de bucle confiable, incluso cuando la traducción relativa entre dos puntos de vista supera los 7 m o uno de los ángulos de Euler está por encima de 50 grados.