論文の概要: GeoVista: Visually Grounded Active Perception for Ultra-High-Resolution Remote Sensing Understanding
- arxiv url: http://arxiv.org/abs/2605.14475v1
- Date: Thu, 14 May 2026 07:15:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-16 00:43:04.104451
- Title: GeoVista: Visually Grounded Active Perception for Ultra-High-Resolution Remote Sensing Understanding
- Title（参考訳）: GeoVista:超高解像度リモートセンシングのための視覚的接地型能動知覚
- Authors: Jiashun Zhu, Ronghao Fu, Jiasen Hu, Nachuan Xing, Xu Na, Xiao Yang, Zhiwen Lin, Weipeng Zhang, Lang Sun, Zhiheng Xue, Haoran Liu, Weijie Zhang, Bo Yang,
- Abstract要約: 超高解像度(UHR)リモートセンシング画像の解釈には、大規模なシーンにわたってスパースで小さな視覚的証拠を探すモデルが必要である。
既存の視覚言語モデルは、ズームとトリミングツールを使用して地域を検査することができるが、ほとんどの探索戦略は、1ショットの焦点または1つのシーケンシャルな軌跡のいずれかに従う。
提案するGeoVistaは,UHRリモートセンシング解釈のための計画駆動型能動認識フレームワークである。
- 参考スコア（独自算出の注目度）: 13.76788623862368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interpreting ultra-high-resolution (UHR) remote sensing images requires models to search for sparse and tiny visual evidence across large-scale scenes. Existing remote sensing vision-language models can inspect local regions with zooming and cropping tools, but most exploration strategies follow either a one-shot focus or a single sequential trajectory. Such single-path exploration can lose global context, leave scattered regions unvisited, and revisit or count the same evidence multiple times. To this end, we propose GeoVista, a planning-driven active perception framework for UHR remote sensing interpretation. Instead of committing to one zooming path, GeoVista first builds a global exploration plan, then verifies multiple candidate regions through branch-wise local inspection, while maintaining an explicit evidence state for cross-region aggregation and de-duplication. To enable this behavior, we introduce APEX-GRO, a cold-start supervised trajectory corpus that reformulates diverse UHR tasks as Global-Region-Object interactive reasoning processes with a unified, scale-invariant spatial representation. We further design an Observe-Plan-Track mechanism for global observation, adaptive region inspection, and evidence tracking, and align the model with a GRPO-based strategy using step-wise rewards for planning, localization, and final answer correctness. Experiments on RSHR-Bench, XLRS-Bench, and LRS-VQA show that GeoVista achieves state-of-the-art performance. Code and dataset are available at https://github.com/ryan6073/GeoVista
- Abstract（参考訳）: 超高解像度(UHR)リモートセンシング画像の解釈には、大規模なシーンにわたってスパースで小さな視覚的証拠を探すモデルが必要である。
既存のリモートセンシングビジョン言語モデルは、ズームとトリミングツールを使用してローカルリージョンを検査することができるが、ほとんどの探索戦略は、ワンショットフォーカスまたは1つのシーケンシャルな軌跡のいずれかに従う。
このような単一経路探索は、グローバルな文脈を失う可能性があり、散在する領域を監視せずに残し、同じ証拠を何度も再確認または数えることができる。
そこで我々は,UHRリモートセンシング解釈のための計画駆動型能動認識フレームワークGeoVistaを提案する。
1つのズームパスにコミットする代わりに、GeoVistaはまずグローバルな探索計画を構築し、その後、ブランチワイドなローカルインスペクションを通じて複数の候補リージョンを検証すると同時に、クロスリージョンアグリゲーションと非重複の明確なエビデンス状態を維持する。
そこで本研究では, 冷間開始制御型トラジェクトリコーパスであるAPEX-GROを導入し, 多様なUHRタスクをグローバル・レジオン・オブジェクトの対話的推論プロセスとして, 統一的かつスケール不変な空間表現で再構成する。
さらに,グローバルな観測,適応領域検査,エビデンス追跡のためのオブザーバ・プラン・トラック機構を設計し,計画,ローカライゼーション,最終回答の正当性に対するステップワイドな報酬を用いてGRPOベースの戦略と整合する。
RSHR-Bench, XLRS-Bench, LRS-VQAによる実験により, GeoVistaは最先端の性能を発揮することが示された。
コードとデータセットはhttps://github.com/ryan6073/GeoVistaで入手できる。
関連論文リスト
- GeoRouter: Dynamic Paradigm Routing for Worldwide Image Geolocalization [27.99381782234921]
ジオローカライゼーションは、地球上のどこでも撮影された画像の正確なGPS座標を予測することを目的としている。
最近の手法は主に、参照データベースとクエリを一致させる検索ベースアプローチと、座標を直接予測する生成ベースアプローチの2つのパラダイムに従う。
最適パラダイムに各クエリを適応的に割り当てる動的ルーティングフレームワークであるGeoを提案する。
論文 参考訳（メタデータ） (2026-03-25T14:56:57Z) - GeoAlignCLIP: Enhancing Fine-Grained Vision-Language Alignment in Remote Sensing via Multi-Granular Consistency Learning [8.819428500071007]
視覚言語事前学習モデルは、自然言語によるリモートセンシング画像のブリッジにおいて大きな進歩を遂げている。
リモートセンシングタスクにおける微粒なアライメントを実現する統合フレームワークGeoAlignCLIPを提案する。
RSFG-100kはシーン記述、地域レベルのアノテーション、難易度の高いサンプルを含む微粒なリモートセンシングデータセットである。
論文 参考訳（メタデータ） (2026-03-10T12:12:11Z) - GeoEyes: On-Demand Visual Focusing for Evidence-Grounded Understanding of Ultra-High-Resolution Remote Sensing Imagery [69.05066425853326]
シンキング・ウィズ・イメージ」パラダイムは、マルチモーダルな大規模言語モデル(MLLM)がズームインツールを使って視覚的なシーンを積極的に探索することを可能にする。
これは超高分解能(UHR)リモートセンシングVQAにおいて必須であり、タスク関連キューは疎小である。
筆者らは,(1)冷間開始型SFTデータセット, UHR-CoZ(UHR-CoZ)を多種多様なズームレジームをカバーするトレーニングフレームワークであるGeoEyes,(2)エージェント強化学習手法であるAdaZoom-GRPOを提案する。
論文 参考訳（メタデータ） (2026-02-15T15:50:55Z) - GeoViS: Geospatially Rewarded Visual Search for Remote Sensing Visual Grounding [23.253648429114236]
リモートセンシング視覚接地のためのプログレッシブ検索・推論フレームワークGeoViSを提案する。
我々はGeoViSが、主要な視覚的グラウンドリング指標を越えて既存の手法を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-12-02T12:45:52Z) - GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization [53.080882980294795]
エージェント視覚推論に関する最近の研究は、深いマルチモーダル理解を可能にするが、主に画像操作ツールに焦点を当てている。
そこで本研究では,視覚的グラウンディングだけでなく,仮説の検証や修正のためにWeb検索も必要とするジオローカライゼーションタスクを再考する。
既存のジオローカライゼーションベンチマークは、高解像度画像の必要性と深部エージェント推論の局所化課題を満たすことができないため、GeoBenchをキュレートする。
推論ループ内にツールの実行をシームレスに統合するエージェントモデルであるGeoVistaを提案し,興味のある領域を拡大するイメージズームインツールと関連する領域を検索するWeb検索ツールを提案する。
論文 参考訳（メタデータ） (2025-11-19T18:59:22Z) - ZoomEarth: Active Perception for Ultra-High-Resolution Geospatial Vision-Language Tasks [49.99788276124186]
既存の動的解像度とトークンプルーニング法は受動的知覚パラダイムによって制約される。
本稿では,UHR RS処理におけるアクティブな認識に適した大規模ベンチマークデータセット LRS-GRO を提案する。
ZoomEarthは,より詳細なガイダンスを提供する新しい地域誘導報酬を用いた適応的収穫・造粒フレームワークである。
論文 参考訳（メタデータ） (2025-11-15T15:47:46Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。
GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
論文 参考訳（メタデータ） (2024-06-04T02:59:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。